术后恶心和吐预测:机器学习洞察力从一个全面分析的外科手术期间数据
Jong-Ho Kim1,2, Bo-Reum Cheon1, Min-Guan Kim1
1Department of Anesthesiology and Pain Medicine, Chuncheon Sacred Heart Hospital, Hallym University College of Medicine, Chuncheon-si 24253, Republic of Korea.
机器学习模型可以使用患者数据预测术后恶心和吐 (PONV). 阿片类药物和患者控制的止痛是PONV预测的关键因素.
科学领域:
- 麻醉学和外科手术期间的医学.
- 医疗保健中的人工智能
- 临床数据科学 临床数据科学
背景情况:
- 手术后恶心和吐 (PONV) 是手术后的常见并发症.
- 有效预测PONV对于改善患者的治疗结果和优化术后护理至关重要.
- 现有的PONV风险评估模型可能无法完全捕捉出导致因素的复杂性.
研究的目的:
- 开发和评估用于预测PONV的机器学习模型.
- 为了确定与PONV风险相关的重要的外科外科特征.
- 为了利用大量的数据集,对PONV预测进行强有力的洞察.
主要方法:
- 对两个医院的106,860名成年患者的术后数据进行了回顾性分析.
- 实现多个机器学习算法:物流回归,随机森林,光梯度增强机器和多层感知子.
- 使用接收器操作特征曲线 (AUROC) 下面的面积来评估模型性能.
主要成果:
- 在研究队列中,PONV的总发病率为14.4%.
- 机器学习模型实现的AUROC范围从0.60到0.67.
- 结合已知的风险因素的模型显示AUROC在0.54和0.69之间,阿片类药物被确定为关键预测因子,特别是在患者控制的止痛方面.
结论:
- 机器学习为预测PONV和了解其风险因素提供了有价值的工具.
- 特性工程和选择是增强PONV预测模型的关键组成部分.
- 该研究强调了阿片类药物和患者控制的止痛药在PONV预测模型中的重要性.
更多相关视频
13:37A Mouse Tumor Model of Surgical Stress to Explore the Mechanisms of Postoperative Immunosuppression and Evaluate Novel Perioperative Immunotherapies
Published on: March 12, 2014
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Chemotherapy-Induced Nausea and Vomiting: Neurokinin-1 Receptor Antagonists
Cardiomyopathy VII: Pre and Post Operative Nursing Management
Chemotherapy-Induced Nausea and Vomiting: Dopamine Receptor Antagonists
Phenothiazines, such as prochlorperazine...
General Anesthesia: Overview
General anesthesia induces unconsciousness in the whole body, while the others target specific areas or sensations. It is administered to minimize adverse effects, maintain...
Chemotherapy-Induced Nausea and Vomiting: 5-HT3 Receptor Antagonists
