FLEX评分的开发和多中心验证:使用基于注意力的ICD-10和当前程序术语集嵌入的个性化手术前手术风险预测
Ran Liu1, Tom A D Stone1, Praachi Raje2
1Department of Anesthesia, Critical Care and Pain Medicine, Massachusetts General Hospital, Boston, MA, USA; Harvard Medical School, Boston, MA, USA.
British journal of anaesthesia
|January 6, 2024
概括
一种新的机器学习方法,即灵活的手术套装嵌入 (FLEX) 评分,可以使用电子健康记录准确预测不良的手术结果. 这种个性化风险评估有助于临床医生确定干预目标,以改善患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 预测分析用于外科手术.
背景情况:
- 术前风险评估对于改善患者结果至关重要.
- 目前涉及临床医生检查或手动图表审查的方法往往过于繁重,无法常规使用.
- 在手术护理中,高效准确的手术前风险分层仍然是一个重大挑战.
研究的目的:
- 开发和验证用于预测不良术后结果的机器学习模型.
- 为了利用常规收集的电子健康记录数据进行风险预测.
- 提供个性化的风险评估,可以为临床决策提供信息.
主要方法:
- 一项多中心的回顾性研究,涉及243479名成年非心脏手术患者.
- 使用编码和患者特征数据开发机器学习方法 (FLEX评分).
- FLEX评分预测了30天的死亡率,30天的再入院,退院到长期护理,以及住院时间.
主要成果:
- 该FLEX评分在识别导致不良结果的重大并发症方面取得了最先进的表现.
- 伴随性疾病的贡献是根据个性化风险预测的患者特定背景加权的.
- 该方法有效地识别了个体患者的关键风险驱动因素.
结论:
- 比起以前的方法,FLEX评分使用了更广泛的医疗代码.
- 它适应不同的编码实践,以准确预测不良的术后结果.
- 该工具增强了预测和管理手术风险的能力.
