Machine Learning zur 6-Monats-Mortalitätsprognose in Langzeitpflegeeinrichtungen
Von KI ausgewählt und zusammengefasst
Worum es geht
Entwicklung und temporale externe Validierung eines interpretierbaren Hybrid-XGBoost-Random-Forest-Modells aus Taiwanese Pflegedaten (n=23.901 Training, n=6.216 Validierung 2024).
Ergebnis
Das HybridXGBRF-Modell erzielte in der Trainingskohorte eine interne AUROC von 0,89 (95% KI 0,88–0,89) und bewahrte diese in der temporalen 2024-Validierung (AUROC 0,90, 95% KI 0,89–0,91), Genauigkeit 0,85, F1-Score 0,68. Kalibrierung war akzeptabel, Shapley-Analyse identifizierte häufige Hospitalisierungen, ADL-Beeinträchtigung und Gewichtsverlust als Hauptprädiktoren.
Übertragbarkeit auf Deutschland
Taiwanese Langzeitpflege-Daten, übertragbar auf europäische Systeme mit ähnlichen Assessmentstrukturen
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.