机器学习在护理预测模型中的应用

1. 这个方法解决什么问题

机器学习方法用于构建护理结局的预测模型。相比传统逻辑回归，ML 方法能处理更多变量、捕获非线性关系，适用于风险分层和早期预警。

2. 适合哪些护理研究场景

• 住院患者跌倒/压疮/再入院风险预测
• 术后并发症风险分层
• 慢病管理中的不良结局早期预警
• 护理资源分配的优先级排序

3. 数据需要长什么样

横截面或纵向数据，包含多个预测变量（人口学、临床、护理评估等）和一个二分类或连续性结局。样本量建议 > 500（事件数 > 50）。

4. 模型逻辑用人话怎么理解

LASSO 回归自动筛选最有预测力的少数变量。随机森林通过投票机制综合多棵决策树的判断。XGBoost 迭代地修正前一个模型的错误。三种方法各有适用场景。

5. R 代码模板

library(glmnet)
library(randomForest)

# LASSO
x <- model.matrix(~ ., data = df)[, -1]
y <- df$outcome
cv <- cv.glmnet(x, y, family = "binomial", alpha = 1)
plot(cv)

# 随机森林
rf <- randomForest(factor(outcome) ~ ., data = df, ntree = 500)
varImpPlot(rf)

# 用 AUC 比较模型
library(pROC)
roc_lasso <- roc(y, predict(cv, newx = x, s = "lambda.min"))
roc_rf <- roc(y, rf$votes[, 2])

6. 结果怎么解释

用 AUC（> 0.7 可接受，> 0.8 良好）和校准曲线评估模型性能。变量重要性排名帮助理解哪些因素对预测最关键。

7. 论文中怎么写

中文： 采用 LASSO 回归从 25 个候选变量中筛选出 8 个预测因子构建术后并发症风险模型。模型在训练集 AUC = 0.82（95% CI 0.78–0.86），验证集 AUC = 0.80。

8. 常见错误

• 不做训练/验证集拆分或交叉验证
• 只报告 AUC 不看校准曲线
• 用太多特征但样本量不足（过拟合）