用于预测成年人经手术期神经认知障碍风险的动态诺摩图

科学领域:

• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用
• 神经科学是一个神经科学.

背景情况:

• 外科手术期间的神经认知障碍 (PND) 对患者的治疗结果构成重大风险.
• 对于高风险患者,迫切需要简单快速的查工具.
• 现有的查方法在常规临床使用中可能缺乏效率.

研究的目的:

• 开发和验证一个在线工具,用于PNDs的手术前查.
• 利用机器学习算法与常规临床变量进行风险预测.
• 改善患有PND风险的患者的早期识别和管理.

主要方法:

• 使用一般线性模型 (GLM),人工神经网络 (ANN) 和天真贝叶斯 (NB) 在49768名手术患者的大数据集上开发预测模型.
• 使用ROCAUC,PRAUC,Brier分数和IPA等指标进行特征选择和模型评估.
• 在MIMIC-IV数据库上对表现最好的模型进行外部验证.
• 创建一个在线可视化工具,用于术前风险预测.

主要成果:

• 与ANN和NB相比,基于GLM的模型表现出优越的性能.
• 最好的GLM模型在内部验证中实现了0.874的高ROCAUC,在外部验证中达到0.761 (MIMIC-IV).
• 开发了一个包含10个常规变量的在线工具,用于手术前PND风险查.

结论:

• 已经开发了一个简单,快速的在线工具,利用GLM进行手术前PND风险查.
• 这种基于多中心数据的工具可以帮助临床决策进行外科手术期间的管理.
• 该工具有潜力通过促进及时干预来改善患者的治疗结果.