机器学习方法用于预测输液后血动力学不稳定性 (PIHI) 指数值:朝着提高外科手术期间麻醉的质量和安全性

科学领域:

• 麻醉学 麻醉学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 术前评估输管后血动力学不稳定性 (PIHI) 对于麻醉管理至关重要.
• 现有的PIHI预测框架发展不足.
• 这项研究解决了需要精确的手术前PIHI风险评估的需求.

研究的目的:

• 开发和验证一种机器学习方法,用于预测输液后血动力学不稳定性 (PIHI) 指数值.
• 为了使手术患者的精确,手术前风险分层.
• 为了支持个性化的麻醉干预.

主要方法:

• 对23,305名成年手术患者 (2012-2020) 的数据进行了回顾性分析.
• 使用心压,腹压和心率综合变化系数 (ICV) 的PIHI指数的开发.
• 使用SMOTETomek训练和验证的机器学习模型用于数据平衡,由MAE,RMSE,MAPE和R2评估.

主要成果:

• PIHI指数 (ICV) 与麻醉师的评级有很强的相关性 (斯皮尔曼的 ρ = 0.877,P < 0.001).
• 一个额外树回归模型获得了最高的准确性:MAE 0.0512,RMSE 0.0792,MAPE 0.2086,R2 0.9047.
• 关键的预测特征包括患者年龄和手术前血液动力学状态.

结论:

• 机器学习可以在手术前有效预测PIHI指数值.
• 这种方法增强了麻醉风险评估,并促进了个性化麻醉策略.
• 这些发现支持将预测分析纳入临床麻醉实践.