基于多模态临床数据的老年患者术后谵妄早期预测模型：构建、验证与临床实践探索
关键词:
人工智能；术后谵妄；老年患者；临床预测模型；应用实践摘要
术后谵妄（POD）是老年手术患者常见的严重并发症，显著增加术后并发症风险与医疗负担，早期精准预测是干预的关键。传统临床评估方法依赖主观判断，灵敏度有限。本文基于某三甲医院 2020–2023 年 1246 例老年腹部手术患者的电子病历与生命体征多模态数据，构建了一种结合梯度提升树与注意力机制的术后谵妄早期预测模型。通过特征工程筛选出 28 项核心临床指标（包括术前基础疾病、术中生命体征波动、术后早期行为学特征），并采用 5 折交叉验证优化模型超参数。实验结果显示，模型在测试集上的 AUC-ROC 达 0.892，准确率为 83.7%，显著优于传统逻辑回归（AUC=0.761）与随机森林模型（AUC=0.824）。临床应用验证表明，基于该模型的风险分层干预可使目标人群谵妄发生率降低 21.3%，缩短平均住院日 1.2 天。本文研究为 AI 技术在老年外科临床精准预警中的落地提供了可复用的实践框架，验证了 “数据驱动 - 模型优化 - 临床干预” 的全链路应用价值，符合人工智能应用与实践的产业导向需求。
参考
[1]Inouye S K, Bogardus S T, Charpentier P A, et al. A multicomponent intervention to prevent delirium in hospitalized older patients [J]. New England Journal of Medicine, 1999, 340 (9): 669-676.
[2]中华医学会老年医学分会。中国老年患者术后谵妄防治专家共识 (2023 版)[J]. 中华老年医学杂志，2023, 42 (5): 481-490.
[3]张静，李娟。术后谵妄评估工具的研究进展 [J]. 中华护理杂志，2021, 56 (3): 467-472.
[4] Jiang F, Jiang Y, Zhi X, et al. Artificial intelligence in healthcare: past, present and future [J]. Stroke and Vascular Neurology, 2017, 2 (4): 230-243.
[5] 王飞跃，曾大军。人工智能应用与实践的若干思考 [J]. 人工智能应用与实践，2024, 1 (1): 1-8.
[6] 陈丽，张伟。老年腹部手术患者术后谵妄危险因素分析 [J]. 中国实用护理杂志，2022, 38 (12): 901-906.
[7] Inouye S K, van Dyck C H, Alessi C A, et al. Clarifying confusion: the confusion assessment method. A new method for detection of delirium [J]. Annals of Internal Medicine, 1990, 113 (12): 941-948.
[8] Zhang L, Wang H, Li Y, et al. Predicting postoperative delirium in elderly patients using random forest model based on electronic medical records [J]. Journal of Medical Systems, 2022, 46 (5): 1-8.
[9] Li M, Zhao J, Chen X, et al. Early prediction of postoperative delirium using LSTM network on time-series vital signs data [J]. Computers in Biology and Medicine, 2023, 156: 106689.
[10] 刘阳，陈明。基于计算机视觉的工业产品缺陷检测系统设计与实现 [J]. 人工智能应用与实践，2024, 1 (1): 23-32.
[11] 周明，吴迪。基于 Transformer 的城市交通流量预测模型及应用 [J]. 人工智能应用与实践，2024, 1 (1): 33-42.
[12] 季向阳，张钹。可解释人工智能在医疗领域的应用挑战与对策 [J]. 中国科学：信息科学，2022, 52 (10): 2101-2120.
