开发和验证"患者优化器" (POP) 算法,用机器学习来预测手术风险

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 手术风险评估手术风险评估

背景情况:

• 术前风险评估对于手术患者的准备至关重要.
• 它有助于减少术后并发症,住院,再入院和死亡率.
• 它还支持协作决策和运营规划.

研究的目的:

• 开发机器学习 (ML) 算法,命名为患者优化器 (POP),用于术前风险评估.
• 预测术后并发症,并为未来的大规模前性研究提供信息.
• 为了利用ML提高预测外科手术结果.

主要方法:

• 开发了一个基本模型,将患者和程序风险结合起来,然后用额外的变量自动化.
• 采用十倍交叉验证和特征选择来优化模型.
• 使用后勤回归 (LR) 和极端梯度增强树 (XGBoost) 来创建模型.
• 使用接收器操作特征曲线 (AUROC) 下面的区域和精度召回曲线 (AUPRC) 下面的区域评估模型性能.

主要成果:

• XGBoost和LR模型在各种终点上显示了类似的性能.
• 与XGBoost一起的POP在任何术后并发症中实现了0.755的AUROC,在功能衰竭中为0.869,在停留时间中为0.841.
• 对于30天再入院和死亡率,POP与XGBoost的AUROC分别为0.610和0.866.

结论:

• 开发的POP算法在预测术后并发症,功能衰竭和停留时间方面表现出有效性.
• 需要进行更大规模的研究来完善算法,以提高预测准确度.
• 扩展数据集可以提高对特定并发症,再入院和死亡率的预测.