机器学习算法预测手术患者的手术内出血:在中国上海对现实数据的建模研究
Ying Shi1, Guangming Zhang2, Chiye Ma3
1Hongqiao International Institute of Medicine, Tongren Hospital, Shanghai Jiao Tong University School of Medicine, 1111 XianXia Road, Shanghai, 200336, China.
BMC medical informatics and decision making
|August 10, 2023
概括
机器学习模型可以预测手术内出血. 光梯度增强 (LGB) 显示出高准确性,识别了手术时间,D-二次数 (DD) 和年龄作为这种常见手术风险的关键预测因素.
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:
- 术内出血预测工具的数量有限.
- 电子医疗记录 (EMR) 为开发这些工具提供了有价值的现实数据.
- 开发准确的预测模型对于患者安全和手术结果至关重要.
研究的目的:
- 开发机器学习 (ML) 模型来预测手术内出血事件.
- 通过使用现实世界EMR数据,识别最重要的手术内出血预测因素.
- 评估各种ML算法在预测外科手术出血方面的性能.
主要方法:
- 利用了来自上海的48543名外科住院患者的数据库.
- 我们比较了七个ML算法:光梯度提升 (LGB),XGBoost,CatB,AdaBoost,物流回归,LSTM和MLP.
- 使用接收器运行特征曲线 (AUC) 下的面积来评估模型性能.
主要成果:
- 光梯度增强 (LGB) 实现了最高的预测性能 (AUC = 0.933).
- LGB表现出高灵敏度 (0.87),特异性 (0.85) 和精度 (0.87).
- 由LGB确定的前三大预测因素是操作时间,D-二次数 (DD) 和年龄.
结论:
- 光梯度增强 (LGB) 是一种高效的算法,用于预测手术内出血.
- 开发的模型为临床风险评估提供了一个简单而有用的工具.
- 手术时间,D-二次数 (DD) 和年龄是预测手术出血的关键因素.
