口腔癌手术预测停留时间模型:机器学习,统计和ACS-NSQIP
Amirpouyan Namavarian1, Alexander Gabinet-Equihua1, Yangqing Deng2
1Department of Otolaryngology-Head & Neck Surgery, University of Toronto, Toronto, Ontario, Canada.
The Laryngoscope
|April 23, 2024
概括
准确预测住院时间 (LOS) 对于口腔癌 (OCC) 手术至关重要. 机器学习模型在预测LOS方面表现优于统计模型和ACS-NSQIP计算器.
科学领域:
- 在瘤学瘤学.
- 手术结果研究研究.
- 医疗信息学 医疗信息学
背景情况:
- 在口腔癌 (OCC) 手术后准确预测住院时间 (LOS),有助于患者咨询和资源管理.
- 现有的预测工具对于复杂的重建程序可能缺乏足够的准确性.
研究的目的:
- 为了比较统计模型,机器学习 (ML) 模型和ACS-NSQIP计算器对OCC患者的LOS的预测性能.
- 在这个患者群体中确定LOS的新型预测因子.
主要方法:
- 对837名接受OCC自由重建的患者进行了回顾性多中心研究.
- 使用培训和验证数据集开发和验证统计和ML模型.
- 基于相关系数和预测与实际损失的百分比准确度的绩效评估.
主要成果:
- ML模型实现了最高的准确性 (验证相关性为0.48,70%的4天准确性).
- 统计模型显示中等的性能 (多变量分析:0.45,67%; LASSO:0.42,70%).
- 在ACS-NSQIP计算器中,准确度最低 (0.23,59%).
结论:
- 开发的统计和ML模型在OCC自由重建后准确预测LOS.
- ML和统计模型的表现明显优于ACS-NSQIP计算器.
- 该ML模型确定了LOS的新预测因子,需要进一步对临床使用进行外部验证.
