目的:利用机器学习算法预测影响脑卒中患者日常生活自理能力(activities of daily living,ADL)的风险因素,为其ADL管理决策提供参考。方法:对2015年1月—2019年2月在南京医科大学附属第一医院康复医学中心治疗的423例脑卒中患者进行回...目的:利用机器学习算法预测影响脑卒中患者日常生活自理能力(activities of daily living,ADL)的风险因素,为其ADL管理决策提供参考。方法:对2015年1月—2019年2月在南京医科大学附属第一医院康复医学中心治疗的423例脑卒中患者进行回顾性分析。根据Barthel指数(Barthel index,BI)评定量表,将患者分为ADL较好组(BI≥60分)和ADL较差组(BI<60分),并进行数据预处理。采用共线性诊断及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)筛选特征变量。选择逻辑回归、支持向量机、随机森林(random forest,RF)、极限梯度提升及K最近邻5种机器学习算法进行预测建模,十倍交叉验证后,使用受试者工作特征曲线、受试者工作特征曲线下面积(area under curve,AUC)、精确召回率曲线、精确召回率曲线下的面积(area under the precision recall curve,PRAUC)、准确率、灵敏度、特异度分别对模型进行综合评估,引入Shapley加性解释(Shapley additive explanation,SHAP)对最优机器学习模型进行可解释化处理。结果:经LASSO回归分析后,确定16个特征变量用于构建机器学习模型。RF模型具有最高的AUC(0.74)、PRAUC(0.64)、准确率(0.97)、灵敏度(0.75)和特异度(0.97)。SHAP模型解释性分析显示,对ADL贡献度前5的特征中,Brunnstrom分期(下肢)的影响最为显著,其次是Brunnstrom分期(上肢)、D-二聚体、血清白蛋白水平及年龄。结论:RF模型预测脑卒中患者ADL的效能最优,为脑卒中患者ADL管理决策提供了有价值的参考。展开更多
目的:探讨中老年人体力活动轨迹与其工具性日常生活自理能力(instrumental activities of daily living,IADL)的关系。方法:基于2011—2018年中国健康与养老追踪调查(the China health and retirement longitudinal study,CHARLS)的全...目的:探讨中老年人体力活动轨迹与其工具性日常生活自理能力(instrumental activities of daily living,IADL)的关系。方法:基于2011—2018年中国健康与养老追踪调查(the China health and retirement longitudinal study,CHARLS)的全国代表性大规模追踪数据,采用组基轨迹模型识别调查对象随访期间体力活动随时间变化的潜在分组和轨迹特征;采用多因素logistic回归模型分析不同体力活动轨迹类型与IADL失能的关联性。结果:调查对象体力活动轨迹被分为持续低体力活动组(2703人,占66.89%)、体力活动降低组(641人,占15.86%)、体力活动增加组(375人,占9.28%)及持续高体力活动组(322人,占7.97%),4组间IADL失能发生率比较,差异具有统计学意义(χ2=19.46,p<0.001)。多因素logistic回归模型显示,与持续低体力活动组比较,体力活动增加组和持续高体力活动组发生IADL失能的风险降低,对应的比值比(95%可信区间)分别为0.73(0.55,0.97)和0.59(0.42,0.83)。按性别、年龄、居住地和慢性病进行亚组分析结果显示,男女持续高体力活动组发生IADL失能的风险明显降低,而这种显著的关联性仅出现在60岁及以上老年人、居住在农村者和无慢性病者中。结论:不同类型体力活动轨迹与日常生活自理能力相关,持续高体力活动与体力活动增加轨迹会降低工具性日常生活自理能力失能的风险。展开更多
文摘目的:利用机器学习算法预测影响脑卒中患者日常生活自理能力(activities of daily living,ADL)的风险因素,为其ADL管理决策提供参考。方法:对2015年1月—2019年2月在南京医科大学附属第一医院康复医学中心治疗的423例脑卒中患者进行回顾性分析。根据Barthel指数(Barthel index,BI)评定量表,将患者分为ADL较好组(BI≥60分)和ADL较差组(BI<60分),并进行数据预处理。采用共线性诊断及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)筛选特征变量。选择逻辑回归、支持向量机、随机森林(random forest,RF)、极限梯度提升及K最近邻5种机器学习算法进行预测建模,十倍交叉验证后,使用受试者工作特征曲线、受试者工作特征曲线下面积(area under curve,AUC)、精确召回率曲线、精确召回率曲线下的面积(area under the precision recall curve,PRAUC)、准确率、灵敏度、特异度分别对模型进行综合评估,引入Shapley加性解释(Shapley additive explanation,SHAP)对最优机器学习模型进行可解释化处理。结果:经LASSO回归分析后,确定16个特征变量用于构建机器学习模型。RF模型具有最高的AUC(0.74)、PRAUC(0.64)、准确率(0.97)、灵敏度(0.75)和特异度(0.97)。SHAP模型解释性分析显示,对ADL贡献度前5的特征中,Brunnstrom分期(下肢)的影响最为显著,其次是Brunnstrom分期(上肢)、D-二聚体、血清白蛋白水平及年龄。结论:RF模型预测脑卒中患者ADL的效能最优,为脑卒中患者ADL管理决策提供了有价值的参考。
文摘目的:探讨中老年人体力活动轨迹与其工具性日常生活自理能力(instrumental activities of daily living,IADL)的关系。方法:基于2011—2018年中国健康与养老追踪调查(the China health and retirement longitudinal study,CHARLS)的全国代表性大规模追踪数据,采用组基轨迹模型识别调查对象随访期间体力活动随时间变化的潜在分组和轨迹特征;采用多因素logistic回归模型分析不同体力活动轨迹类型与IADL失能的关联性。结果:调查对象体力活动轨迹被分为持续低体力活动组(2703人,占66.89%)、体力活动降低组(641人,占15.86%)、体力活动增加组(375人,占9.28%)及持续高体力活动组(322人,占7.97%),4组间IADL失能发生率比较,差异具有统计学意义(χ2=19.46,p<0.001)。多因素logistic回归模型显示,与持续低体力活动组比较,体力活动增加组和持续高体力活动组发生IADL失能的风险降低,对应的比值比(95%可信区间)分别为0.73(0.55,0.97)和0.59(0.42,0.83)。按性别、年龄、居住地和慢性病进行亚组分析结果显示,男女持续高体力活动组发生IADL失能的风险明显降低,而这种显著的关联性仅出现在60岁及以上老年人、居住在农村者和无慢性病者中。结论:不同类型体力活动轨迹与日常生活自理能力相关,持续高体力活动与体力活动增加轨迹会降低工具性日常生活自理能力失能的风险。
