摘要：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症风险，从而实现早期干预和资源获取。研究人员正在通过临床试验完善该工具，以整合各种数据，提高准确性。

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症风险，从而实现早期干预和资源获取。研究人员正在通过临床试验完善该工具，以整合各种数据，提高准确性。

风险检测在护理管理中起着至关重要的作用，并可能影响疾病的进展。

来自雷根斯特里夫研究所、印第安纳大学和普渡大学的研究人员推出了一种经济高效、可扩展的方法，用于早期发现患有痴呆症的个体。尽管痴呆症仍然无法治愈，但解决常见的风险因素可能有助于降低患上痴呆症的可能性或减缓认知能力下降的进程。

“检测痴呆症风险对于适当的护理管理和规划非常重要，”这项研究的资深作者、雷根斯特里夫研究所和印第安纳大学医学院的医学博士、公共卫生硕士 Malaz Boustani 说道：“我们希望通过一种可扩展且对医疗保健系统具有成本效益的解决方案，解决早期识别可能患痴呆症的个体的问题。为此，我们利用患者病历中已有的信息（被动数据）进行所谓的零分钟评估，成本不到一美元。以决策为中心的内容选择方法用于制定个性化的痴呆风险预测或证明轻度认知障碍的证据。”

该技术利用机器学习从患者的电子健康记录 (EHR) 中的医疗记录（由医生、护士、社工或其他提供者撰写）中选择与特定观察期内的目标结果相关的短语或句子子集。医疗记录是 EHR 中的叙述，以自由文本格式描述患者的健康状况。

从医疗记录中提取用于预测痴呆症风险的信息可能包括临床医生评论、患者评论、一段时间内的血压或胆固醇值、家庭成员的精神状态观察或用药史——包括处方药和非处方药以及“天然”疗法和补充剂。

预测痴呆症风险有助于患者、家人和医疗保健提供者获得支持团体和医疗保险和医疗补助中心 GUIDE 示范计划等资源，这些资源支持患者在家中居住更长时间。

它还可以鼓励临床医生减少老年人常用但已知会对大脑产生负面影响的药物，并与患者讨论具有类似特征的非处方药。了解痴呆症风险可能会促使医生考虑新近获得 FDA 批准的降低淀粉样蛋白的疗法，从而改变阿尔茨海默病的发展轨迹。

“我们的方法结合了监督式和无监督式机器学习，以便从每位患者现有的大量医疗记录中提取与痴呆症相关的句子，”研究合著者、雷根斯特里夫研究所附属科学家、印第安纳波利斯普渡大学前教员 Zina Ben Miled 博士说：“除了提高预测准确性之外，这还允许医疗服务提供者通过查看用于驱动我们语言模型的风险评估的特定文本来快速确认认知障碍。”

“自 20 世纪 70 年代初以来，雷根斯特里夫研究所和印第安纳大学的研究人员一直是展示电子健康记录实用性的先驱。鉴于临床医生和患者在获取 EHR 数据方面付出的巨大努力，我们的目标必须是从这些数据中寻求最大的临床价值，甚至超越其在医疗保健中的核心作用，”研究合著者、Regenstrief 和印第安纳大学医学院的医学博士 Paul Dexter 说道：“通过应用机器学习方法来识别未来患痴呆症风险高的患者，这项研究提供了一个极好的创新示例，展示了 EHR 可以实现的临床价值。痴呆症的早期识别将变得越来越重要，尤其是随着新疗法的开发。”

虽然新技术的最终受益者是患者和护理人员，但以不到一美元的成本提供零分钟评估对于负担过重且往往缺乏进行专门认知测试所需的时间和培训的初级保健临床医生来说具有明显的优势。

这项研究的作者们正在印第安纳波利斯和迈阿密进行为期 5 年的风险预测工具临床试验，目前已进入最后一年。从这次试验中吸取的经验教训将使他们能够提高痴呆症风险预测框架在初级保健实践中的实用性。研究人员计划在未来将医疗记录与电子健康记录中包含的其他信息以及环境数据进行融合。

这项研究得到了美国国立卫生研究院国家老龄化研究所 R01AG069765 拨款的支持（主要负责人：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）。

参考文献：《使用以决策为重点的医疗笔记内容选择预测痴呆症风险》，作者：Shengyang Li、Paul Dexter、Zina Ben-Miled 和 Malaz Boustani，2024 年 9 月 18 日，《生物和医学计算机》。DOI：10.1016/j.compbiomed.2024.109144

来源：康嘉年華一点号