相关实验视频
Updated: Jul 13, 2025
04:38
Subcostal Specimen Removal in Completely Portal Robotic Lobectomy
Published on: April 19, 2024
328
可解读的机器学习准确地根据成本重新分类了叶叶切除术手术方法
Michael P Rogers1, Haroon Janjua1, Meagan Read1
1Department of Surgery, University of South Florida Morsani College of Medicine, Tampa, FL.
Surgery
|October 13, 2023
概括
机器学习可以识别那些可能受益于更便宜的视频辅助胸腔镜手术 (VATS) 而不是机器人肺切除的患者. 这种方法有助于降低医疗保健成本,通过根据患者个体因素个性化治疗.
科学领域:
- 胸部外科手术 胸部外科手术
- 卫生经济学 卫生经济学
- 医疗保健中的机器学习
背景情况:
- 机器人肺切除的数量正在增加,尽管成本更高,并且在视频辅助胸腔镜手术 (VATS) 上未经证实的优势.
- 确定成本驱动因素和优化外科手术方法对于医疗保健效率至关重要.
研究的目的:
- 评估机器学习识别影响肺切除成本的因素的能力.
- 用预测建模来确定高成本的机器人方法是否可以重新归类为低成本的替代方案.
主要方法:
- 对佛罗里达州和CMS数据集对开放,VATS和机器人叶切除术病例的分析.
- K-意味着集群来识别机器人成本组.
- 使用人工神经网络,SVM,CART和GBM算法开发预测模型.
主要成果:
- 在6,618个案例中确定了4个不同的成本集群.
- 如果使用VATS,机器学习模型将35%的机器人案例重新分类到潜在的较低或较高的成本类别.
- 关键的成本预测因素包括诊所入院,转移性癌症诊断,紧急入院和痴呆症.
结论:
- 机器学习和集群可以确定适合VATS或机器人叶切除术的患者群体,成本相似.
- 使用可解释的AI,可以识别影响成本的个体患者因素.
- 这种建模可以将高成本的患者分层到低成本的方法,有助于降低支出.
