从使用基于注意力的集嵌入的术前EHR数据开发和从术后疼痛预测的前性验证
Ran Liu1,2, Rodrigo Gutiérrez1,2, Rory V Mather1,2,3
1Department of Anesthesia, Critical Care, and Pain Medicine, Massachusetts General Hospital, Boston, MA, USA.
NPJ digital medicine
|November 17, 2023
概括
一种新的机器学习方法,POPS,使用电子健康记录准确预测术后疼痛. 该工具有助于手术患者个性化疼痛管理,改进了当前的预测方法.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 疼痛管理 疼痛管理
背景情况:
- 准确预测术后疼痛对于有效的术后疼痛管理至关重要.
- 当前的预测方法往往是主观的,劳动密集型,或缺乏足够的准确性.
- 需要自动化,可靠的工具来识别患有急性术后疼痛高风险的患者.
研究的目的:
- 开发和验证用于预测术后疼痛的机器学习模型 (POPS).
- 利用例行收集的电子健康记录 (EHR) 数据用于自动化疼痛预测.
- 为了评估POPS的表现与临床医生的预测在一个潜在的队列.
主要方法:
- 开发了一种机器学习方法 (POPS),使用234,274名成人非心脏手术患者的多中心数据集.
- 在手术前的EHR数据上训练有素的POPS预测手术当天和随后的四天的最大疼痛得分.
- 预期验证POPS,将其预测与实际患者疼痛得分和临床医生的评估进行比较.
主要成果:
- 在预测最大的术后疼痛得分 (0-10 NRS) 方面,POPS取得了最先进的性能.
- 该模型在预期验证中在所有术后几天中都超过了临床医生的预测.
- 虽然校准略有降低,但POPS显示出可解释性,突出了影响疼痛的关键并发症.
结论:
- POPS提供了一种完全自动化的术前解决方案,用于使用易于获得的EHR数据预测术后疼痛.
- 这种机器学习方法通过识别风险患者来增强疼痛管理策略.
- POPS提供了对导致急性术后疼痛的因素有价值的,可解释的见解.
