基于机器学习的模型,用于在妇科腹腔镜检查后预测深静脉血栓症:一项回顾性队列研究
Xiao Chen1, Min Hou, Dongxue Wang
1Department Gynaecology and Obstetrics, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, P.R. China.
Medicine
|January 5, 2024
概括
机器学习模型可以在妇科腹腔镜检查后预测深静脉血栓 (DVT). 随机森林模型显示最佳性能,识别了早期干预的关键风险因素,如年龄和BMI.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 血栓形成的研究研究
背景情况:
- 深静脉血栓 (DVT) 监测妇科后腹腔镜检查提出了重大挑战.
- 准确预测DVT对于及时的临床干预和改善患者结果至关重要.
- 现有的DVT风险评估方法可能无法完全捕捉术后患者的复杂性.
研究的目的:
- 开发和验证机器学习 (ML) 预测模型,以识别在妇科腹腔镜检查后患有心脏病风险的患者.
- 使用ML算法识别与术后DVT相关的独立临床风险因素.
- 为了比较不同ML模型对DVT风险分层的预测性能.
主要方法:
- 分析了489名接受妇科腹腔镜检查的患者队列,从电子健康记录中收集了35个临床指标.
- 最小绝对收缩和选择运营商 (LASSO) 回归被用于初始风险因素识别.
- 随机森林模型 (RFM),人工神经网络模型 (ANNM) 和通用线性回归模型 (GLRM) 是使用ROC和DCA开发和评估的.
主要成果:
- 手术后的DVT发生在41名患者 (8.38%) 中.
- 通过ML识别的关键独立风险因素包括年龄,BMI,手术时间,手术期间的肺膜压力,糖尿病,并发症和D-Dimer水平.
- RFM表现出优异的预测性能,AUC值为0.851 (训练) 和0.862 (验证),表现优于ANNM和GLRM.
结论:
- 机器学习模型,特别是RFM,可以有效地预测妇科腹腔镜检查后的DVT风险.
- 确定的临床指标为临床医生提供了宝贵的见解,以在手术前对患者风险进行分层.
- 这些预测模型可以帮助实施有针对性的护理干预措施,以减轻DVT的发生率.
