编辑推荐：
研究人员对比七种聚类算法预测老年患者健康结局的能力，发现部分算法效果佳，为精准医疗提供依据。
在人口老龄化加剧的当下，医疗领域面临着精准预测老年患者健康结局的巨大挑战。以往，依靠传统回归方法构建的临床决策支持（CDS）工具，就像用一把 “万能钥匙” 去开所有的锁，试图用统一的风险因素评估来适配所有患者，可老年患者情况复杂多变，这种 “一刀切” 的方式难以精准预测个体健康走向，导致工具实用性大打折扣。
为了突破这一困境，来自澳大利亚弗林德斯大学（Flinders University）等多机构的研究人员，包括 Richard John Woodman、Kimberly Bryant 等，开展了一项极具意义的研究。该研究成果发表在《Aging Clinical and Experimental Research》杂志上。
研究人员为了找到更有效的预测方法，对比了七种聚类算法，包括 K - 均值（K-means）、K - 众数（K-modes）、层次聚类（hierarchical clustering）、潜在类别分析（LCA）、DBSCAN 以及基于图的两种 Louvain 社区检测算法，探究它们对老年患者进行表型分析（根据患者分子、生化等数据将其分类为离散同质亚型），进而预测健康结局的能力。
研究用到的主要关键技术方法如下：
首先，研究人员收集了 737 名 65 岁及以上住院老年患者的五类医疗数据，涵盖国际疾病分类第十版（ICD-10）诊断代码、临床数据、实验室数据、解剖治疗学化学（ATC）药物代码和通过综合老年评估（CGA）的多维预后指数（MPI）评估的虚弱数据。之后，运用上述七种聚类算法对数据进行处理，创建患者聚类。最后，使用随机森林分类器，以受试者工作特征曲线下面积（AUC）为评估指标，来验证聚类结果对 11 种健康结局（如 1 个月、3 个月、6 个月和 12 个月的死亡率，住院跌倒、谵妄，住院时长，门诊就诊次数和再入院次数等）的预测准确性。
研究结果主要有以下几方面：
- 患者基本信息及健康结局：研究对象平均年龄 79.6（8.4）岁，男性占 50.2%，大部分患者与家人或朋友同住，44.2% 的患者电子健康记录中无原发性疾病诊断记录。12 个月死亡率为 27.4% ，2.85% 的患者住院期间跌倒，9.6% 出现谵妄。
- 预测准确性（AUC）：综合 11 种健康结局来看，层次聚类（mean AUC =0.758）、K - 均值（mean AUC =0.739）和 Louvain1-Neo4j（mean AUC =0.722）算法表现最佳。不同算法在预测不同健康结局上各有优势，如 DBSCAN 和 K - 众数算法在预测 1 个月、3 个月和 6 个月再入院方面表现良好；LCA 在预测死亡率上表现出色；预测住院时长和谵妄相对困难，层次聚类算法预测长住院时长效果最好，K - 均值算法预测谵妄最佳。
- 不同数据类型的重要性：MPI 数据对预测 3 个月、6 个月和 12 个月死亡率、长住院时长、跌倒和谵妄贡献最大；ICD-10 数据对预测患者再入院（1 个月、3 个月和 6 个月）最为重要；实验室数据对预测跌倒有用；药物代码数据对预测住院时长有一定作用。
研究结论和讨论部分指出，层次聚类、K - 均值和基于 Louvain 的聚类算法能有效识别反映老年住院患者临床表型的患者群体，为精准医疗奠定了基础。通过聚类分析划分患者群体，医生可以更精准地评估患者风险，制定个性化治疗方案。同时，研究强调了收集多领域医疗数据对优化表型分析、实现风险分层和个性化治疗的重要性。不过，该研究也存在一些局限性，如数据集相对较小，未纳入患者笔记等数据，聚类数据收集于住院期间而非入院前，且未涵盖所有聚类方法。但总体而言，这项研究为老年患者的精准医疗开辟了新方向，为后续研究提供了重要参考，有望推动医疗领域向更精准、更高效的方向发展。
