机器学习的应用,以预测腹手术后的胃肠道出血在腹手术中的应用

科学领域:

• 腹部外科手术的结果
• 医学机器学习应用 医学机器学习应用
• 胃肠道并发症 胃肠道并发症

背景情况:

• 手术后胃肠道出血 (GIB) 是减肥手术的一个严重并发症.
• 增加的门诊程序和延长的静脉血栓塞栓症治疗方案可能会增加GIB风险或延迟诊断.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测腹手术后的术后GIB.
• 帮助外科医生做出决策,并改善患者对术后出血的咨询.

主要方法:

• 使用了代谢和腹部外科认证和质量改善计划 (MBSAQIP) 数据库.
• 训练并验证的随机森林 (RF),梯度增强 (XGB) 和深度神经网络 (NN) 模型,将它们与后勤回归 (LR) 进行比较.
• 使用接收器操作特征曲线 (AUROC) 下面的面积评估模型性能,并确定了具有沙普利增量解释 (SHAP) 的关键预测变量.

主要成果:

• 该研究包括159,959名患者,其中0.4%患有术后GIB.
• 在预测GIB方面,ML模型 (RF,XGB,NN) 的表现优于LR (AUROC 0.764,0.746,0.741与0.709).
• 随机森林实现了70.0%的特异性和75.4%的灵敏度;关键预测因素包括手术类型,手术前血红素,年龄,手术持续时间和手术前肌.

结论:

• 开发的ML模型在预测术后GIB方面显著优于后勤回归.
• ML为减肥手术患者的风险预测提供了一个有价值的工具.
• 需要进一步的研究来提高临床使用ML模型的可解释性.