用个性化机器学习模型预测叶切除术后30天非发作的结果
Mert Karabacak1, Pemla Jagtiani2, Fedor Panov1
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, USA.
World neurosurgery
|November 25, 2023
概括
机器学习模型可以预测叶切除术 (TL) 后的药物耐药性的结果. 随机森林模型准确地预测了长时间住院,非家庭出院和再入院,改善了患者护理.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 叶 (TLE) 是药物耐药性发作的常见原因.
- 叶切除术 (TL) 是耐火性TLE的一种手术选择.
- 预测TL后的术后结果对于患者管理至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测TL手术后的术后结果.
- 确定TL后不利结果的关键预测因素.
- 创建可访问的工具,以提高TL患者的预后预测.
主要方法:
- 利用了美国外科医生学院国家外科质量改进计划数据库的数据.
- 专注于预测长期停留 (LOS),非家庭出院和30天再入院.
- 测试了六个ML算法 (TabPFN,XGBoost,LightGBM,SVM,随机森林,物流回归) 使用Optuna进行超参数调整.
- 使用了SHapley添加式解释 (SHAP) 来进行变量重要性分析.
主要成果:
- 分析包括423名接受TL治疗的患者.
- 随机森林模型在所有结果中表现出卓越的表现.
- 获得的接收器操作特征 (AUROC) 值下的面积为长期LOS的0.868,非家庭出院的0.804,以及30天再入院的0.742.
结论:
- 开发了准确的ML模型来预测TL后的不良术后结果.
- 这些模型提高了预后预测,支持一种更加以患者为中心,数据驱动的方法.
- 可访问的预测工具可以显著改善TLE的患者护理和手术规划.
