一种新的低成本方法利用机器学习从电子健康记录中预测痴呆风险，使早期干预和资源获取成为可能。研究人员正在通过临床试验改进该工具，以整合多样化数据，提高准确性。
风险检测在护理管理中发挥着关键作用，可能影响疾病的进展。来自Regenstrief研究所、印第安纳大学和普渡大学的研究人员介绍了一种成本效益高、可扩展的方法，用于早期发现痴呆风险个体。尽管痴呆症目前无法治愈，但解决常见风险因素可能有助于降低发病的可能性或减缓认知衰退的进程。
“痴呆风险的检测对于适当的护理管理和规划至关重要，”Regenstrief研究所和印第安纳大学医学院的高级研究作者Malaz Boustani医学博士、公共卫生硕士说，“我们希望解决如何在早期识别可能发展为痴呆症的个体的问题，同时提供一种既可扩展又经济实惠的解决方案。”
为此，他们利用患者医疗记录中已有的信息——即所谓的“零分钟评估”，其成本低于1美元。决策导向的内容选择方法用于开发个性化的痴呆风险预测或展示轻度认知障碍的证据。
这种方法利用机器学习从患者的电子健康记录（EHR）中选择与目标结果相关的句子或短语。这些记录由医生、护士、社会工作者或其他提供者编写，以自由文本格式描述患者的健康状况。
从医疗记录中提取洞见
用于预测痴呆风险的医疗记录中提取的信息可能包括医生评论、患者陈述、随时间变化的血压或胆固醇值、家庭成员对精神状态的观察，以及药物历史，包括处方药、非处方药以及“天然”补品和补充剂。
预测痴呆风险有助于患者、家人和医疗保健提供者获取资源，如支持小组和Medicare及Medicaid GUIDE模型计划，该计划支持患者在家中生活更长时间。它还可以鼓励医生减少老年人常服用但对大脑有负面影响的药物，并与患者讨论具有类似特性的非处方药。了解痴呆风险可能会促使医生考虑新批准的FDA抗淀粉样蛋白疗法，这些疗法可以改变阿尔茨海默病的进程。
机器学习和临床验证
“我们的方法结合了监督和无监督的机器学习，以便从每个患者大量可用的医疗记录中提取与痴呆相关的重要句子，”研究共同作者、Regenstrief研究所附属科学家、前普渡大学印第安纳波利斯分校教员Zina Ben Miled博士说，“除了提高预测准确性外，这还允许医疗提供者通过审查我们的语言模型用于风险评估的具体文本，快速确认认知障碍。”
自20世纪70年代初以来，Regenstrief研究所和印第安纳大学的研究人员一直在展示电子健康记录的实用性。“鉴于临床医生和患者为捕捉EHR数据所做的巨大努力，目标必须是从这些数据中寻求最大临床价值，即使这些数据在医疗护理中扮演核心角色，”研究共同作者、Regenstrief研究所和印第安纳大学医学院的Paul Dexter医学博士说，“通过应用机器学习方法来识别未来痴呆高风险患者，这项研究提供了从EHR中实现临床价值的一个极佳且创新的例子。早期识别痴呆将变得越来越重要，特别是随着新治疗方法的发展。”
虽然新方法的最终受益者是患者和护理人员，但提供成本低于1美元的“零分钟评估”对负担过重且通常缺乏时间和培训来管理专门认知测试的初级保健医生也有明显的好处。
研究作者正在进行为期5年的临床试验，以验证他们的风险预测工具，该试验在印第安纳波利斯和迈阿密进行，目前已进入最后一年。从这次试验中学到的经验将使他们能够在初级保健实践中推进痴呆风险预测框架的实用性。研究人员计划未来的工作将医疗记录与其他信息以及环境数据融合。
参考文献：Shengyang Li, Paul Dexter, Zina Ben-Miled 和 Malaz Boustani 的“使用医疗记录中的决策导向内容选择预测痴呆风险”，2024年9月18日，《计算机生物学与医学》。DOI: 10.1016/j.compbiomed.2024.109144
这项研究得到了美国国立卫生研究院国家老龄化研究所拨款R01AG069765（主要研究者：Malaz Boustani医学博士、公共卫生硕士；Zina Ben Miled博士和James Galvin医学博士、公共卫生硕士）的支持。
(全文结束)
