目的:分析住院患者肌少症影响因素,构建适用于老年住院患者的肌少症风险预测模型,整合多维度指标为肌少症早期筛查与干预提供量化工具。方法:回顾性分析重庆医科大学附属第一医院2016年3月至2023年6月收集的2105例老年住院患者数据,基...目的:分析住院患者肌少症影响因素,构建适用于老年住院患者的肌少症风险预测模型,整合多维度指标为肌少症早期筛查与干预提供量化工具。方法:回顾性分析重庆医科大学附属第一医院2016年3月至2023年6月收集的2105例老年住院患者数据,基于最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)筛选变量,通过Logistic回归分析肌少症影响因素,构建预测模型并进行内外部验证。运用沙普利加和解释(Shapley additive explanations,SHAP)模型分析特征贡献,最终构建列线图模型对结果进行可视化解读。结果:2016年3月至2020年12月的1259例患者以7∶3比例随机拆分为882例训练集和377例内部测试集,2021年1月至2023年6月的846例患者作为外部验证集。训练集共检出肌少症489例(55.44%)。基于训练集的logistic回归结果显示,衰弱、日常生活活动(activity of daily living,ADL)依赖、营养不良、年龄增加为肌少症危险因素(OR>1,P<0.05);男性、体质指数(body mass index,BMI)正常或超重为肌少症保护因素(OR<1,P<0.05)。训练集、内部测试集和外部验证集AUC值及95%CI分别为0.876(0.854~0.899)、0.883(0.849~0.918)和0.750(0.717~0.783),模型性能良好。决策曲线分析显示列线图模型具有良好临床价值。结论:肌少症预测模型效能良好,具有较好临床推广价值。展开更多
文摘目的:分析住院患者肌少症影响因素,构建适用于老年住院患者的肌少症风险预测模型,整合多维度指标为肌少症早期筛查与干预提供量化工具。方法:回顾性分析重庆医科大学附属第一医院2016年3月至2023年6月收集的2105例老年住院患者数据,基于最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)筛选变量,通过Logistic回归分析肌少症影响因素,构建预测模型并进行内外部验证。运用沙普利加和解释(Shapley additive explanations,SHAP)模型分析特征贡献,最终构建列线图模型对结果进行可视化解读。结果:2016年3月至2020年12月的1259例患者以7∶3比例随机拆分为882例训练集和377例内部测试集,2021年1月至2023年6月的846例患者作为外部验证集。训练集共检出肌少症489例(55.44%)。基于训练集的logistic回归结果显示,衰弱、日常生活活动(activity of daily living,ADL)依赖、营养不良、年龄增加为肌少症危险因素(OR>1,P<0.05);男性、体质指数(body mass index,BMI)正常或超重为肌少症保护因素(OR<1,P<0.05)。训练集、内部测试集和外部验证集AUC值及95%CI分别为0.876(0.854~0.899)、0.883(0.849~0.918)和0.750(0.717~0.783),模型性能良好。决策曲线分析显示列线图模型具有良好临床价值。结论:肌少症预测模型效能良好,具有较好临床推广价值。
