影响社区居住的老年痴呆患者日常生活活动的因素

《Geriatric Nursing》：Factors influencing activities of daily living in community-dwelling older adults with dementia

　　老年冠心病患者1年非计划再入院预测模型的构建与评估。采用XGBoost算法结合特征筛选方法，基于2137例患者的临床数据，发现住院时长、年龄调整Charlson共病指数、单核细胞计数、血糖水平和红细胞计数是主要预测因子，模型测试集AUROC达0.704，AUPRC为0.392，并通过SHAP分析验证特征重要性。

　　本研究聚焦于中国老年冠心病（Coronary Heart Disease, CHD）患者在出院后一年内发生非计划性再入院的风险预测。在过去的医学研究中，大多数关注点集中于30天内的再入院情况，而对一年期的非计划性再入院关注较少。这一现象在老年患者中尤为明显，因为一年内的再入院情况更能反映慢性病管理中的系统性缺陷。本研究选择使用极端梯度提升（Extreme Gradient Boosting, XGBoost）算法构建预测模型，该算法以其优秀的预测能力和良好的可解释性在临床预测场景中广泛应用。研究旨在填补这一领域中的空白，为临床决策提供有力的支持。

在研究过程中，研究人员从四川省人民医院收集了2018年1月至2020年6月期间住院的老年CHD患者的临床数据。研究对象被定义为在冠状动脉造影中发现冠状动脉中层明显狭窄（>50%）的患者，且具有典型心绞痛症状或非侵入性检查显示心肌缺血的患者。为了确保研究的严谨性，研究者设定了排除标准，包括年龄小于60岁、住院时间不足2天、住院期间死亡或转院、以及缺失数据超过50%的患者。此外，为了保证数据完整性，还排除了没有一年随访记录的患者。研究定义再入院为患者在出院后一年内因治疗需要再次入院的情况，主要研究终点为一年内非计划性再入院。

研究的数据收集涵盖了患者的人口统计学信息、生命体征、合并症情况、用药情况以及实验室检查结果。在处理数据时，研究者首先剔除了缺失率超过80%的特征，然后对剩余的82个特征进行了处理。为了识别重要的预测变量，研究者采用逐步前向特征选择方法，结合岭回归模型和XGBoost算法，最终确定了38个关键特征。这些特征包括住院时间（Length of Stay, LOS）、年龄调整的Charlson合并症指数（Age-Adjusted Charlson Comorbidity Index, ACCI）、单核细胞计数、血糖水平以及红细胞计数等。

为了评估模型的性能，研究者使用了多种指标，包括受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUROC）、精确率-召回率曲线下面积（Area Under the Precision-Recall Curve, AUPRC）以及校准曲线。这些指标帮助研究者衡量模型的区分能力和临床适用性。结果显示，XGBoost模型在测试集上的AUROC为0.704，AUPRC为0.392，表明模型在预测一年内非计划性再入院方面具有一定的准确性。校准曲线进一步显示了模型的可靠性，而决策曲线分析（Decision Curve Analysis, DCA）则表明，在阈值概率范围为0.17至0.43之间，该模型对患者和医生具有实际的临床价值。

为了进一步理解模型中各个特征对预测结果的贡献，研究者使用了SHapley Additive exPlanations（SHAP）分析。该分析结果显示，住院时间、年龄调整的Charlson合并症指数、单核细胞计数、血糖水平以及红细胞计数是最重要的预测因子。具体而言，住院时间越长的患者再入院风险越高，年龄调整的Charlson合并症指数越高，也意味着更高的再入院风险。此外，单核细胞计数升高与再入院风险呈正相关，这可能与冠状动脉粥样硬化过程中单核细胞的早期形成和成熟有关。同时，血糖水平和红细胞计数也被发现与再入院风险密切相关，尽管这些特征在临床直觉上可能不被高度重视，但它们在一定程度上反映了患者的病理状态，并有助于提高模型的预测能力。

研究还发现，一些因素如血清镁水平、血清氯水平和红细胞分布宽度-标准差（RDW-SD）与再入院风险相关。然而，这些特征在临床实践中可能未被充分关注，但它们在模型中的作用不容忽视。此外，研究还指出，尽管糖尿病患者在再入院中占一定比例，但糖化血红蛋白水平表明该群体的血糖控制较为理想，这可能解释了为何糖尿病状态未成为更强大的预测因子。然而，研究者也提到，即使血糖控制良好，慢性机制仍可能对心血管疾病产生影响，因此某些血糖接近正常水平的患者仍可能因其他因素而再次入院。

本研究的另一个重要发现是，一些临床因素如吸烟史、心力衰竭、高脂血症和脑卒中与再入院风险密切相关。这些因素在以往的研究中已被报道，但在本研究中，它们与再入院风险的关联性得到了进一步验证。此外，研究还发现了一些新的预测因子，如单核细胞计数和红细胞计数，这些因素可能为未来临床干预提供新的方向。例如，通过更频繁的随访、加强出院后的护理干预、对高风险合并症进行早期专科咨询，以及改善出院时的医患沟通，可以有效降低老年CHD患者的再入院率。

尽管研究取得了一定成果，但仍然存在一些局限性。首先，本研究是一项单一中心的回顾性研究，样本量有限，可能影响模型的普遍适用性。因此，未来需要在多个中心进行前瞻性验证，以确保模型在不同医疗环境下的有效性。其次，虽然逐步前向特征选择方法可以减少研究者的主观偏见，但可能遗漏一些临床重要的特征。此外，研究未考虑诸如心脏康复、随访护理、家庭护理服务和经济状况等重要的社会心理因素。未来的研究可以进一步纳入这些因素，以更全面地评估再入院风险。最后，模型的临床应用需要与电子健康记录系统集成，并考虑可能存在的算法偏差，特别是在老年或合并症患者群体中。

综上所述，本研究构建了一个基于XGBoost算法的预测模型，成功识别了一年内非计划性再入院的风险因素。模型在预测能力方面表现出色，具有较高的临床价值。研究发现，住院时间、年龄调整的Charlson合并症指数、单核细胞计数、血糖水平和红细胞计数是最重要的预测因子。这些发现不仅有助于提高对老年CHD患者再入院风险的识别能力，还为制定针对性的干预措施提供了科学依据。未来的研究可以进一步优化模型，扩大样本范围，并考虑更多影响因素，以提升模型的准确性和实用性。