一项使用机器学习算法和可穿戴技术的试点研究,用于早期检测心胸手术后的术后并发症

科学领域:

• 心胸外科手术 心胸外科手术
• 医学机器学习 医学机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 迫切需要先进的方法来促进心胸手术后术后并发症的早期识别.
• 目前的监测可能并不总是及时检测不良事件,可能会推迟必要的干预.

研究的目的:

• 评估NightSignal机器学习算法在进行心胸外科手术的患者中在临床症状出现之前检测术后并发症的有效性.
• 用可穿戴设备的数据评估用于识别术后事件的算法的灵敏度和特异性.

主要方法:

• 一项前性观察队列研究涉及56名计划进行心胸外科手术的成年患者.
• 参与者连续佩戴Fitbit设备至少一周的手术前和多达90天的术后.
• 最初开发用于COVID-19检测的NightSignal算法被调整并对其检测术后并发症的能力进行了评估.

主要成果:

• 夜信号算法在检测21个术后事件中的17个中显示出81%的灵敏度.
• 检测发生在症状出现前2天的中位数.
• 该算法实现了75%的特异性,97%的负预测值和28%的正预测值.

结论:

• 来自可穿戴传感器的生物识别数据的机器学习分析对心胸外科手术后的术后并发症的早期检测具有重大潜力.
• 这项技术可以通过在并发症在临床上显现之前识别并发症,从而使主动医疗干预成为可能.