使用人口统计数据和机器学习技术,预测儿科患者的最佳内管大小和深度

科学领域:

• 儿科麻醉学 儿科麻醉学
• 医疗器械技术 医疗器械技术
• 医疗保健中的机器学习

背景情况:

• 适当的内管 (ETT) 尺寸和深度对于尽量减少儿科输管并发症至关重要.
• 对于儿童的ETT选择,现有的基于年龄的公式存在重大不准确性.
• 开发精确的ETT选择方法对于患者安全至关重要.

研究的目的:

• 开发和评估一种机器学习模型,用于预测儿科患者的最佳ETT大小和深度.
• 将机器学习模型的性能与传统的基于年龄的公式进行比较.
• 为改善儿科麻醉中ETT选择提供临床适用工具.

主要方法:

• 对37,057名小儿病患者 (<12岁) 进行全身麻醉与内内输管治疗的数据的回顾性分析.
• 使用人口数据开发渐变增强回归树 (GBRT) 模型.
• 将GBRT模型预测与ETT大小和深度的已建立的基于年龄的公式进行比较.

主要成果:

• 与基于年龄的公式 (F1=0.163和0.392,分别) 相比,GBRT模型在预测无手 (F1=0.502) 和手 (F1=0.669) 的ETT内部直径 (ID) 中取得了更高的准确性.
• 根据GBRT模型,预测ETT深度 (0.71-0.72厘米) 与基于年龄的公式 (1.18-1.34厘米) 的平均绝对误差 (MAE) 较低.
• 机器学习方法在ETT大小和深度预测准确性方面明显优于传统方法.

结论:

• 使用人口统计数据的机器学习模型可以准确地预测儿科内管的大小和深度.
• 开发的GBRT模型为当前基于年龄的ETT选择方法提供了一个潜在的实用和更准确的替代方案.
• 该模型的验证可能会改善临床实践,并减少儿童的输管相关并发症.