基于时间序列数据、机器学习和合并疾病模式预测轻度认知障碍患者的迷惑风险——回顾性研究
应用统计
2025-05-13 v1 人工智能
摘要
迷惑代表临床中的重大关注对象， characterized by high morbidity and mortality rates, particularly in patients with mild cognitive impairment (MCI)。本研究通过分析与 MCI 相关的合并疾病模式，识别迷惑的相关风险因素，并利用机器学习方法开发纵向预测模型。采用 MIMIC-IV v2.2 数据库进行回顾性分析，评估合并疾病、生存概率和预测建模结果。合并疾病模式分析识别出 MCI 人群的不同风险轮廓。Kaplan-Meier 生存分析显示，发展迷惑的 MCI 患者者与非 MCI 患者者的生存概率显著降低，凸显了这一人群的高度敏感性。对于预测建模，采用长短期记忆（LSTM）机器学习网络，利用时间序列数据、人口学变量、Charlson 合并疾病指数（CCI）评分以及多种合并疾病构建模型。该模型在预测性能上表现稳健，AUROC 为 0.93，AUPRC 为 0.92。本研究强调了合并疾病在评估迷惑风险中的关键作用，并突显了基于时间序列的预测建模在精准识别迷惑风险患者方面的有效性。
引用
@article{arxiv.2505.06264,
title = {Prediction of Delirium Risk in Mild Cognitive Impairment Using Time-Series data, Machine Learning and Comorbidity Patterns -- A Retrospective Study},
author = {Santhakumar Ramamoorthy and Priya Rani and James Mahon and Glenn Mathews and Shaun Cloherty and Mahdi Babaei},
journal= {arXiv preprint arXiv:2505.06264},
year = {2025}
}