机器学习应用程序用于预测后宫外科手术后的手术部位感染

科学领域:

• 神经外科 神经外科
• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学

背景情况:

• 手术部位感染 (SSI) 是宫后部手术后的一个严重并发症.
• 早期诊断SSI具有挑战性,可能导致严重的后果,如伤口脱皮和中枢神经系统感染.

研究的目的:

• 开发和评估机器学习模型,用于在宫后部手术后精确预测SSI.
• 为临床医生和患者提供一个工具,以评估和预防SSI风险.

主要方法:

• 对接受宫后部手术的患者的回顾性研究 (2018年9月 - 2022年6月).
• 机器学习模型的应用:梯度提升 (GB),随机森林 (RF),人工神经网络 (ANN) 和K-最近邻居 (KNN).
• 严格验证使用10倍的交叉验证,重复10次以确保结果的可靠性.

主要成果:

• 随机森林 (RF) 模型表现出高性能,AUROC为0.9916,特异性为0.9890,精度为0.9759.
• 梯度增强 (GB) 实现了0.9535的灵敏度,而K-最近邻居 (KNN) 显示了0.9958.5的最高灵敏度.
• 机器学习技术成功地促进了精确SSI预测模型的开发.

结论:

• 机器学习模型为预测宫后部手术患者SSI风险提供了精确和动态的方法.
• 这种预测模型可以作为早期风险评估和预防策略的宝贵临床工具.
• 实施这些人工智能驱动的工具可以提高患者的安全性,并减少术后并发症的发生率.