在非心脏手术期间预测手术内低温负担:一项回顾性研究,比较对六种机器学习算法的回归
Christoph Dibiasi1,2, Asan Agibetov3, Lorenz Kapral2
1Department of Anaesthesia, Intensive Care Medicine and Pain Medicine, Medical University of Vienna, Währinger Gürtel 18-20, 1090 Vienna, Austria.
Journal of clinical medicine
|July 14, 2023
概括
机器学习 (ML) 模型有效地预测了手术内低温负担,优于后勤回归. XGBoost和随机森林显示了最高的准确性,表明MLML.
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:
- 意外的手术内低温是经常发生的并发症,影响患者的治疗结果.
- 预测低温是复杂的,可能受益于先进的机器学习 (ML) 方法,而不是传统的物流回归.
研究的目的:
- 为了比较各种ML算法的有效性与逻辑回归在预测手术内低温负担.
- 评估七个不同的模型的性能,包括XGBoost,随机森林等.
主要方法:
- 一项回顾性研究分析了87,116例麻醉病例中的71个变量.
- 开发了七种模型,根据低温负担来预测低温的严重程度 (没有,轻度,中度,严重).
- 模型性能使用F1分数,AUC,精度,回忆和校准指标进行评估.
主要成果:
- 与后勤回归相比,机器学习算法在预测低温负担方面表现优越.
- XGBoost获得了最高的加权F1得分 (0.44),紧随其后的是随机森林 (0.418).
- 后勤回归产生了0.397的加权F1得分,表明预测准确性较低.
结论:
- 机器学习模型非常适合预测手术内低温症.
- 这些发现支持ML的潜在临床应用,用于主动的低温管理.
