机器学习模型的开发和验证,用于在手术前识别患有术后不良事件高风险的患者

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 预测外科手术风险预测

背景情况:

• 识别患有不良外科结果高风险的患者对于改善术后结果至关重要.
• 自动预测工具很少,限制了主动干预.

研究的目的:

• 评估自动机器学习 (ML) 模型在预测高风险手术患者中的准确性.
• 仅使用电子健康记录 (EHR) 的术前数据进行风险预测.

主要方法:

• 这是一项预后研究,涉及20家医院的1477561名患者.
• 开发和验证一个渐变增强决策树ML模型.
• 将ML模型的准确性与国家外科质量改进计划 (NSQIP) 计算器进行比较.

主要成果:

• 该ML模型在预测死亡率 (AUROC 0.972培训,0.946测试) 和主要心脏和脑血管不良事件 (MACCEs) 中表现出高准确性.
• 在前性评估中,该模型在高灵敏度 (85.3%) 和特异性 (91.4%) 的死亡率方面实现了0.956的AUROC.
• 在预测死亡率方面,ML模型显著优于NSQIP计算器,显示出更高的AUROC,特异性和准确性.

结论:

• 一个自动化的ML模型使用EHR数据准确地识别出患有不良外科结果高风险的患者.
• 开发的模型在预测性能方面超过了NSQIP计算器.
• 这种工具为个性化的术后护理提供了潜力,旨在改善患者的治疗结果.