相关实验视频
Updated: Jun 30, 2025
06:48
Emergency Undocking in Robotic Surgery: A Simulation Curriculum
Published on: May 20, 2018
9.3K
基于机器学习的腹部相关紧急整体手术外科外科风险计算器:一个多中心的回顾性研究
Biao Chen1, Weiyong Sheng1,2, Zhixin Wu1,1
1Department of Emergency Surgery.
International journal of surgery (London, England)
|March 15, 2024
概括
研究人员开发了一台机器学习计算器,用于预测紧急整形外科 (EGS) 患者的五种关键术后风险. 这种工具提供了准确的风险概率,有助于临床决策和改善患者在EGS的结果.
科学领域:
- 计算医学是一种计算医学.
- 手术风险分层的分层化
- 医疗保健中的机器学习
背景情况:
- 现有的紧急整体外科 (EGS) 风险预测工具是不够的.
- 美国创伤外科协会主张使用EGS特定的风险评估工具.
- 需要在EGS中改进术后风险预测.
研究的目的:
- 利用机器学习 (ML) 开发一个基于网络的计算器,用于预测EGS的外科手术风险.
- 识别和预测EGS共同操作中的五个关键不良事件.
- 为临床医生提供一个量化患者风险的工具.
主要方法:
- 追溯分析了来自中国五个中心的10,993名EGS患者的电子病历.
- 开发和比较五种ML算法 (随机森林,支持向量机,天真贝叶斯,XGBoost,物流回归) 用于预测死亡率,肺炎,手术部位感染,血栓形成和长期机械通风.
- 根据已建立的分数 (ESS,APACHE II,ASA) 验证最佳的ML模型,并开发一个交互式基于Web的计算器.
主要成果:
- 随机森林 (RF) 模型显示了五个结果事件的最佳预测性能.
- 射频模型的表现优于紧急手术评分 (ESS),APACHE II评分和ASA分类.
- 创建了一个用户友好的在线计算器,可以在术前和术后环境中使用.
结论:
- 成功开发了一种基于ML的新型计算器,用于预测EGS患者的术后不良事件.
- 该计算器准确量化了五个关键结果的风险,支持临床决策.
- 这种工具代表了紧急整体外科手术风险评估的重大进展.
