使用机器学习预测帕金森病患者出院去向：一项全国队列研究

为什么出院去向对帕金森病患者很重要

对于与帕金森病共同生活的家庭而言，住院常常带来一个令人担忧的问题：他们的亲人能否回家，还是需要搬入护理机构或面临危及生命的并发症？本研究使用现代计算工具在住院早期估算这些可能性，为医生、患者和照护者争取更多时间来规划下一步。

跨全国医院的观察

研究者分析了一个覆盖美国约四分之一入院记录的大型医院数据库。他们关注2017年底至2023年中期间50岁及以上、因帕金森病住院的28万多人。对每位患者仅考察该时期的首次住院，并将最终结局分为三类：回家、转入某类护理机构或在院死亡。近一半的患者回家，几乎同等比例转入机构，约十四分之一在出院前死亡。

谁能回家、谁不能回家的模式

被送入机构的患者往往比回家者年纪更大、医疗上更脆弱。他们更常伴有痴呆、吞咽困难、误吸性肺炎或近期骨折或跌倒。此类患者也更可能未婚并来自其他医疗机构而非直接从家中入院。他们住院时间更长，接受更多康复治疗。院内死亡的患者则具有最高的痴呆率和严重肺部感染率，凸显出疾病晚期与并发症如何影响结局。

教计算机识别风险

为了将这些模式转化为实用工具，团队训练了机器学习模型（一类从数据中学习的计算程序）来预测三种出院结局。研究团队使用大部分入院数据训练模型，剩余数据用于测试，模型在三类结局上都达到了良好准确度。例如，预测回家者的模型在约四分之三情况下能正确将回家出院与其他结局区分开来。预测转入机构的模型表现相当，预测院内死亡的模型稍好一些。这些模型在不同时间段和略有差异的保险类型分组下进行了检验，性能保持稳定，表明其具有一定的稳健性。

一个用于机构转运风险的简易床旁评分

因医护人员需要易于理解的工具，研究者还构建了一个更简单、更透明的风险评分，专注于预测转入护理机构。该评分使用七个容易辨识的特征：既往骨折史、痴呆、作为其他机构转入、既往跌倒史、保险类型、婚姻状况以及医院所在的地区。每个因素加分或减分，总分将患者划分为低、中或高风险组。在本研究中，低风险组患者转入机构的概率约为40%，而高风险组则接近四分之三。

这对患者和家庭意味着什么

这些工具并不决定任何个体住院后必须去向何处，但它们可以像早期警示灯一样发挥作用。通过标识更可能需要密集支持或面临严重并发症的帕金森病患者，模型和七项评分可促使更早讨论康复、家庭帮助或长期照护。与临床判断和家庭意愿并用，这类数据驱动的方法或可帮助医院制定更安全、更个性化的出院计划，并将有限的护理资源更好地匹配给最需要的人。

引用: Kamo, H., Mehta, T.R., Remz, M. et al. Machine learning prediction of discharge destination in patients with Parkinson’s disease; a nationwide cohort study. npj Parkinsons Dis. 12, 120 (2026). https://doi.org/10.1038/s41531-026-01309-8

关键词: 帕金森病, 医院出院, 机器学习, 风险预测, 急性期后护理