基于电子病历的住院患者衰弱预测机器学习模型开发与内部验证

JMIR medical informatics · 2026-10-28 · 期刊论文

• 一句话结论：利用入院72小时内常规电子病历数据构建的XGBoost模型可在住院早期识别衰弱患者，测试集F2-score为0.755、AUROC为0.777、召回率0.873，校准良好，提示该方法具有早期筛查潜力。
• 研究设计与做法：回顾性队列研究，数据来自澳大利亚皇家阿德莱德医院2023年7月至2024年12月、住院≥72小时的过夜入院病例，共26824次入院；衰弱以HFRS>4定义；预测变量取自入院72小时内的 demographics、用药、化验、护理评估与会诊医嘱；按80%/20%分为训练集（21436）与测试集（5388），训练多种机器学习模型，以F2-score为主要优化指标。
• 主要结果：26,824次入院中9427次（35%）被判为衰弱。最终XGBoost模型测试集F2-score 0.755（95%CI 0.741–0.768）、AUROC 0.777（95%CI 0.764–0.790）、召回率0.873（95%CI 0.857–0.887），期望与观测比0.996（95%CI 0.963–1.028）。主要预测因子包括多重用药、肌酐/白蛋白/钠等化验、康复会诊医嘱与护理评估；入院24小时时点性能较低，至出院时改善。
• 机制或解释：作者未提出明确生物学机制，模型预测因子反映衰弱相关的用药负担、器官功能与照护需求；解释以数据驱动为主。
• 局限与边界：单中心回顾性研究，仅做内部验证、无外部验证；衰弱以HFRS这一基于病历编码的指标定义，可能存在错分；仅覆盖住院≥72小时人群，向其他机构与人群外推受限；利益冲突材料未报告。
• 可否落地：对临床的提示是：基于常规电子病历的模型或可辅助入院早期衰弱风险分层与资源分配；证据档位为B，属“证据支持”其内部预测性能，但尚不足以下结论认为可常规部署，需外部验证与前瞻性影响研究。

🔗 打开原文

Laurea Szabo GC, Bills M, Williams M 等

本文摘自《每日前沿研究简报 · 2026-10-31》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。