基于机器学习的方法来预测小儿白天手术的最后一分钟取消情况
Canping Li1, Zheming Li, Shoujiang Huang
1Author Affiliations: Departments of Day Surgery (Mrs C. Mr Li, Dr Huang, Mrs Chen, Mrs Zhang), Medical Information Center (Mr Z. Li), and Nursing (Mrs Zhu), Children's Hospital, Zhejiang University School of Medicine, Hangzhou, China.
Computers, informatics, nursing : CIN
|March 7, 2024
概括
机器学习使用电子医疗记录和天气数据准确预测最后一分钟的手术取消. 极端梯度增强模型显示高性能,有助于医疗保健效率和患者体验.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 最后一分钟的手术取消会扰乱患者的护理,增加医疗保健成本.
- 由于多因素的影响,预测这些取消是具有挑战性的.
研究的目的:
- 开发和评估用于预测最后一分钟手术取消的机器学习模型.
- 通过使用电子病历 (EMR) 和气象数据,确定手术取消的关键预测因素.
主要方法:
- 从2018年到2021年,对13,440例儿科手术病例进行了回顾性分析.
- 利用机器学习算法:随机森林,物流回归,SVM,梯度增强和极端梯度增强 (XGBoost).
- 集成EMR数据和气象条件作为预测特征.
主要成果:
- 确定了关键预测因素:COVID-19大流行影响,风速,降雨量,麻醉前评估和患者年龄.
- XGBoost模型表现出优异的预测性能,AUC为0.923和准确度为0.841.
- XGBoost实现了高灵敏度 (0.840),精度 (0.837) 和F1得分 (0.838).
结论:
- 机器学习,集成EMR和气象数据,有效预测最后一分钟的手术取消.
- XGBoost算法显示了临床实施的巨大潜力,以降低成本和改善患者体验.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:51Model Surgical Training: Skills Acquisition in Fetoscopic Laser Photocoagulation of Monochorionic Diamniotic Twin Placenta Using Realistic Simulators
Published on: March 21, 2018
19.6K