机器学习算法执行美国麻醉学会的物理状态分类
Michael W Lew1, Alex Pozhitkov2, Lorenzo Rossi2
1Department of Anesthesiology and Perioperative Medicine, City of Hope National Medical Center, Duarte, USA.
Cureus
|November 29, 2023
概括
这项研究探讨了使用机器学习来自动化美国麻醉学会 (ASA) 身体状态 (PS) 评分. 虽然准确度中等,但它显示了在手术中对可重现的患者风险评估的潜力.
科学领域:
- 麻醉学 麻醉学
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 美国麻醉学会 (ASA) 身体状况 (PS) 分类系统对于外科手术期间的风险评估至关重要.
- 手动ASAPS评分的主观变化可能会影响临床预测和资源分配.
- 一个自动化系统可以提高ASAPS分类的客观性和可重复性.
研究的目的:
- 开发和评估用于自动化ASA PS评分的机器学习 (ML) 模型.
- 评估ML在标准化患者风险分类中的可行性.
- 为了解决手动ASAPS分配中的潜在偏差.
主要方法:
- 在 12,064 个患者记录上训练了一个ML模型,并预先分配了ASA PS分数.
- 使用了由Wolfram Mathematica自动选择的逻辑回归.
- 在对1,999名患者的单独测试组上验证了该模型.
- 使用类内相关系数 (ICC) 评估得分一致性.
主要成果:
- 在训练数据集上,ML模型实现了70.3%的准确性,在测试数据集上达到69.6%.
- 在ML和麻醉师得分之间的ICC是>0.4,表明合理到良好的一致性.
- 逻辑回归是选择的ML算法.
结论:
- 机器学习证明了在瘤患者中自动ASA PS评分的可行性.
- 目前的准确性表明了未来使用更大的数据集进行改进的基础.
- 自动评分有望提高患者风险评估的一致性.
