基于机器学习的多病共存患者不良结局临床预测规则研究：聚焦谵妄、压疮和疼痛三联征

　　为应对急性住院多病共存患者高发谵妄、压疮和疼痛（DPP三联征）的临床挑战，研究团队开发了一种基于机器学习（ML）和特征选择（FS）技术的临床预测规则（CPR）。通过集成过滤法、包装法和嵌入法，筛选出3个关键预测因子，支持向量机（SVM）模型表现最佳（AUC-ROC=0.93）。该研究显著提升了急诊环境下风险早期识别的精准度，并配套开发了实用型Web应用程序，为临床决策提供了高效工具。

　　

随着全球人口老龄化进程加速，多病共存（Multimorbidity）已成为公共卫生领域面临的重大挑战。多病共存通常指同一个体同时存在多种慢性疾病，其世界标准化患病率达7.8%，而在65岁以上老年人群中更是高达21.3%。这类患者不仅生活质量显著下降，还面临多重健康风险：功能残疾加剧、多重用药情况普遍、急诊就诊和住院频率增加，以及死亡率显著上升。更令人担忧的是，多病共存患者发生急性住院时，遭遇不良事件的风险急剧增高，特别是谵妄（Delirium）、压力性损伤（Pressure Ulcers）和疼痛（Pain）这三种并发症——被研究者称为"DPP三联征"（DPP triad）。这些不良事件往往产生协同效应，显著增加患者脆弱性，而早期风险评估比通用干预措施更为有效。

尽管现有研究对单一不良事件有一定关注，但针对多病共存患者的综合性预测工具仍显不足。特别是在急诊环境下，医疗人员需要在时间紧迫、信息有限的情况下快速做出临床决策，传统预测工具或因效度不足，或因操作复杂而难以实际应用。因此，开发一种能够快速、准确预测DPP三联征风险的临床预测规则（Clinical Prediction Rule, CPR）具有重要的临床意义。

在这项发表于《Intelligent Medicine》的研究中，来自西班牙马拉加大学ITIS软件研究所的Rafael García-Luque、Ernesto Pimentel、Francisco Durán团队与医院临床专家Marta Aranda-Gallardo和José M. Morales-Asencio合作，开展了一项基于机器学习的临床预测规则开发研究。研究人员通过整合多种特征选择技术，从43个临床特征中筛选出最具预测价值的变量组合，并在此基础上构建了高性能预测模型，最终开发了一款实用型Web应用程序以支持临床决策。

研究采用了多项关键技术方法：研究队列来源于2021年12月至2023年6月期间西班牙马拉加Costa del Sol医院急性护理病房收治的231例多病共存患者；通过集成特征选择技术（包括过滤法中的线性判别分析(LDA)和信息增益(IG)、包装法中的递归特征消除(RFE)以及嵌入法中的随机森林(RF)和极限梯度提升(XGBoost)）筛选关键预测因子；采用序列前向选择(SFS)技术确定最优特征子集；使用支持向量机(SVM)、随机森林(RF)、K最近邻(KNN)和逻辑回归(LR)四种机器学习算法进行模型构建与比较；通过分层K折交叉验证减少过拟合风险。

4.1. 最优特征子集

通过集成特征选择技术，研究人员从43个临床特征中筛选出10个最相关的特征。结果显示，Everest量表中的沟通能力(everest_com)、4-AT量表中的急性或波动性变化项目(v4at_item4)和4-AT量表中的注意力项目(v4at_item3)得分最高，其次是急诊中的机械约束(ae_restraint)和数字评分量表的疼痛评分(nrs)。应用序列前向选择技术后，确定3个预测因子的组合为最优：everest_com（沟通能力）、v4at_item4（急性或波动性变化）和nrs（疼痛评分）。相关性分析显示，4-AT量表项目与DPP变量的正相关性最高（0.50-0.55），而Braden量表项目（移动能力和感知能力）则呈现负相关关系。

4.2. 性能评估

研究人员比较了不同特征子集（3-6个特征）下四种机器学习模型的性能。结果显示，当使用3个预测因子时，支持向量机(SVM)模型表现最佳，准确率达到0.91，精确度和召回率均为0.83，特异性为0.94，AUC-ROC值为0.93。随着特征数量增加，模型性能改善趋于稳定，但考虑到急诊环境的实际需求，最终选择了3个预测因子的简约模型。支持向量机因其在处理类别不平衡问题上的优势和较高的AUC-ROC值而被选为最终预测模型。

4.3. 系统原型

研究团队开发了一款基于Web的应用程序，用于多病共存患者不良事件的预测。该应用采用Python Flask框架构建，用户界面使用HTML、CSS、Bootstrap和JavaScript实现。系统架构包括用户界面、业务逻辑层和数据存储层，使用MongoDB存储数据。应用程序提供三种角色权限：专业人员（登记患者和评估风险）、评估者（记录不良事件）和管理员（数据分析和模型更新）。实用性评估显示，医护人员对该应用的易用性和满意度评分均超过4分（5分制），表明其具有良好的临床应用潜力。

本研究成功开发了一种基于机器学习的多病共存患者DPP三联征临床预测规则。通过集成多种特征选择技术，研究确定了3个关键预测因子：4-AT量表中的急性或波动性变化项目(v4at_item4)、数字评分量表的疼痛评分(nrs)和Everest量表中的沟通能力(everest_com)。支持向量机模型在此预测任务中表现出色，AUC-ROC值达0.93，显示出优异的判别能力。

研究的创新之处在于采用了集成特征选择方法，结合了过滤法、包装法和嵌入法的优势，从而确保了特征选择的稳健性和可靠性。这种方法克服了单一特征选择技术可能带来的偏差，为临床预测规则的发展提供了新思路。此外，研究还考虑了急诊环境的实际限制，刻意追求模型的简约性，最终确定的3个预测因子既保证了预测准确性，又满足了临床实用的需求。

配套开发的Web应用程序进一步增强了该研究的实用价值。通过数字化工具，医护人员可以快速评估患者风险，实现早期干预，从而可能降低不良事件的发生率。应用评估结果显示，医护人员对其接受度较高，预示着良好的临床推广前景。

然而，研究也存在一定局限性。数据集的不平衡分布虽然已通过分层技术加以处理，但更大的样本量将有助于提高模型的泛化能力。此外，当前研究仅关注了DPP三联征，未来可考虑纳入其他不良事件或单独预测每个事件的概率。

总体而言，这项研究为多病共存患者的不良事件预防提供了有效的预测工具，填补了急诊环境下快速风险评估工具的空白。基于机器学习的临床预测规则结合实用的Web应用程序，不仅提高了风险识别的准确性，还为临床决策提供了实时支持，对改善多病共存患者的临床结局具有重要意义。未来研究可通过扩大样本量、优化模型参数和开展随机对照试验进一步验证该预测规则的实际效果。