基于可解释机器学习模型，对患有慢性疼痛的老年患者健康相关生活质量轨迹的预测性分析

《Health and Quality of Life Outcomes》：Predictive analysis of health-related quality of life trajectories in older patients with chronic pain based on explainable machine learning models

　　

摘要

背景

与健康相关的生活质量（HRQoL）是评估护理效果和预后的重要指标，然而对于患有慢性疼痛的老年患者的生活质量发展轨迹却知之甚少。本研究旨在识别潜在的生活质量轨迹及其预测因素，并开发可解释的机器学习模型来预测生活质量的恶化。

方法

这项前瞻性队列研究在入院时以及入院后1个月、3个月和6个月对608名患有慢性疼痛的老年患者进行了评估，收集了有关生活质量、一般特征、疼痛程度、日常生活活动（ADL）、抑郁情况和感知到的社会支持的数据。采用生长混合模型（Growth Mixture Modeling）来识别身体和心理健康质量（HRQoL）的轨迹。通过LASSO回归和SVM-RFE方法选择了预测因素。针对这两个组成部分分别开发了九个可解释的机器学习模型，并使用SHAP技术对模型输出进行了解释。此外，还开发了一个生活质量决策支持仪表板，以促进其临床应用。

结果

研究发现了三种身体生活质量轨迹：稳定高、下降和低稳定性；以及两种心理健康质量轨迹：改善和下降。关键预测因素包括教育水平、疼痛持续时间、疼痛程度、日常生活活动能力（ADL）、抑郁情况和感知到的社会支持，其中日常生活活动能力和疼痛程度对身体和心理健康质量的影响最大。

结论

这项双轨迹研究发现了患有慢性疼痛的老年患者的五种不同生活质量模式，并通过可解释的机器学习方法阐明了关键预测因素。所提出的生活质量决策支持仪表板可以提供一个可解释的工具，帮助理解预测关系，并协助医疗专业人员进行生活质量评估。

临床试验编号

不适用。