使用数字表型的新型手术前风险分层应用可扩展的机器学习方法

科学领域:

• 计算生物学和生物信息学
• 医疗信息学医学信息学
• 手术成果研究的研究结果.

背景情况:

• 术后风险分类对于患者护理和决策至关重要.
• 电子健康记录 (EHR) 和机器学习可以识别个性化护理的数字表型.
• 数字表型可以预测术后不良事件.

研究的目的:

• 假设手术前的数字表型与术后的不良事件有关.
• 开发和验证用于预测外科手术结果的数字表型.
• 将数字表型的预测性能与美国麻醉学会 (ASA) 评分进行比较.

主要方法:

• 追溯分析了7251名9年来接受了拉美切除术,切除术或胸部手术的患者.
• 从EHR数据中提取77个手术前特征.
• K-意味着分组以确定每次手术3种不同的表型,然后随机森林模型培训和验证.

主要成果:

• 对于每个手术,确定了三个不同的数字表型,具有不同的风险概况.
• 不良结果,包括死亡率和长时间住院时间 (LOS),在表型 (低风险α到高风险gamma) 中逐渐增加.
• 与ASA得分相结合的数字表型表明,与单独的ASA得分相比,医院死亡率和长时间住院的预测准确度 (AUROC) 较高.

结论:

• 在三个常见的外科手术中,成功确定了三个数字表型.
• 这些表型为预测术后不良事件提供了基础.
• 数字表型与现有风险评分的整合增强了外科手术期间的风险评估.