Wstęp

Szybki wgląd w stan sprawności poznawczej chorego może w wymierny sposób pomóc w procesie diagnostycznym i zaplanowaniu dalszej opieki nad starszymi pacjentami. Ze względu na stale rosnące wymagania diagnostyczne przydatne może być wykorzystanie statystycznych systemów uczących się związanych z dziedziną uczenia maszynowego. Algorytm uczy się związku między danymi wejściowymi (wynikiem testu) a odpowiadającymi im zmiennymi wyjściowymi (rozpoznaniem choroby). Celem pracy była weryfikacja, jak dany model uczenia poradzi sobie z oszacowaniem sprawności poznawczej starszego pacjenta na podstawie danych zgromadzonych w dokumentacji medycznej, a także porównanie wykorzystanych modeli.

Materiał i metody

Dokonano retrospektywnego przeglądu badań 280 pacjentów hospitalizowanych w Szpitalu Geriatrycznym im. Jana Pawła II w Katowicach w latach 2015–2019. Dane wejściowe obejmowały wskaźniki biochemiczne, wyniki skal funkcjonalnych (ADL, IADL), choroby współistniejące oraz zmienne socjodemograficzne. Całość danych podzielono w następujący sposób: 2/3 dane do nauki, 1/3 dane testowe. Wykorzystano następujące modele: regresja liniowa, maszyna wektorów nośnych, naiwny klasyfikator Bayesa, metoda k najbliższych sąsiadów.

Wyniki

Żaden z modeli nie osiągnął zadowalającej dokładności. Najlepszy wynik uzyskał model regresji liniowej z równomiernym podziałem danych (AUC = 0,57, ACC = 0,60) oraz model regresji liniowej z uczeniem uwzględniającym wszystkie dane (AUC = 0,68, ACC = 0,67).

Wnioski

Na podstawie zgromadzonych parametrów nie powinno się budować systemu automatycznego wnioskowania o stanie sprawności poznawczej pacjenta. Model regresji liniowej wymaga kolejnych weryfikacji empirycznych z udziałem liczniejszych i bardziej zróżnicowanych grup.