机器学习模型的多中心验证,用于预测非心脏手术后的呼吸衰竭

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 手术结果研究研究.

背景情况:

• 手术后呼吸衰竭是手术后的一个严重并发症.
• 早期识别高风险患者对于减轻不良结果至关重要.
• 长时间的机械通风或再输管是术后呼吸衰竭的定义.

研究的目的:

• 开发和验证用于预测术后呼吸衰竭的机器学习模型.
• 为风险预测识别易于提取的电子健康记录 (EHR) 变量.
• 为了实现手术患者个性化的风险分层.

主要方法:

• 一个渐变增强机器学习算法被训练在99,025个非心脏手术病例的EHR数据.
• 使用了易于提取的EHR变量,不需要主观临床评估.
• 该模型在三个独立的队列中进行了外部验证,共计208,308例.

主要成果:

• 预测模型包含了八个变量:血清白蛋白,年龄,麻醉时间,血清葡萄糖,前列血时间,血清肌素,白细胞计数和BMI.
• 内部验证显示了高性能,AUROC为0.912和AUPRC为0.113.
• 三个队伍的外部验证显示出强大的表现,AUROCs从0.872到0.931.93不等.

结论:

• 一个使用八个易于使用的EHR变量的机器学习模型有效地预测了手术后呼吸衰竭.
• 该模型在内部和外部验证设置中都表现出强大的预测性能.
• 该工具支持基于数据的临床决策和手术患者的个性化风险评估.