机器学习预测模型通过案例重新排序来减少在门诊外科中心逗留的时间

科学领域:

• 麻醉学 麻醉学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 麻醉后护理单位 (PACU) 停留时间是术后效率的关键指标.
• 长时间的PACU停留可能会影响人员和资源利用,特别是在门诊外科中心.

研究的目的:

• 开发机器学习模型,用于预测在门诊手术患者中长时间停留的PACU长度 (≥3小时).
• 使用术前因素仅用于风险预测.
• 通过优化案例序列,模拟这些模型对减少PACU工作时间后的人员需求的影响.

主要方法:

• 在培训数据集上开发和评估各种机器学习分类器模型.
• 根据预测准确度 (AUC = 0.712) 确定表现最好的模型 (XGBoost与SMOTE).
• 在测试组上进行一个病例重序模拟,根据长时间PACU停留的预测风险重新排序历史病例.

主要成果:

• 分析包括10,928名门诊外科手术患者,其中5.31%的PACU停留时间为3小时或更长.
• 该XGBoost模型显示了强大的预测性能 (AUC = 0.712).
• 使用XGBoost模型重新排序病例,显著减少了下班时间PACU占用率 (12%对41%,P<0.0001).

结论:

• 机器学习模型可以有效地利用手术前患者的特征来预测长时间的PACU停留.
• 基于这些预测的优化案例序列可以大大减轻延长PACU持续时间对后班人员的影响.
• 这种方法提供了一个有前途的策略,以提高在门诊外科设置的运营效率.