ЧАСТЬ ТЕЛА: Блок прогностического моделирования смертности для пациентов с болезнью Альцгеймера в стационаре.
ГОТОВНОСТЬ: Высокая. Разработанные гибридные модели (логистическая регрессия и XGBoost с SHAP) демонстрируют надежную прогностическую способность (AUROC до 0.887) и интерпретируемость. Подготовлены к пилотной интеграции в системы поддержки принятия клинических решений, с учетом адаптации для сценариев с полными (для распределения ресурсов) или ограниченными (для оперативных клинических вмешательств) данными о статусе конце жизни.
СУТЬ: Разработаны и верифицированы прогностические модели для оценки риска внутрибольничной смертности у госпитализированных пациентов с болезнью Альцгеймера, используя комбинацию классической регрессии и объясняемого машинного обучения (XAI). Идентифицированы критические предикторы, включая статус паллиативной помощи, острую дыхательную недостаточность, сепсис, а также дисфагию и истощение. Доказана эффективность XAI (SHAP) для выявления неочевидных, но действенных факторов риска, особенно в условиях отсутствия информации о паллиативном уходе или статусе DNR, что позволяет клиницистам принимать более обоснованные и своевременные решения для улучшения исходов.
Источник: https://pubmed.ncbi.nlm.nih.gov/41873958/