机器学习模型的开发和验证,以使用全国数据库预测术后妄想:一项回顾性观察性研究
Manabu Yoshimura1, Hiroko Shiramoto1, Mami Koga1
1Department of Anesthesiology, Ube Industries Central Hospital, Ube City, Japan.
Journal of clinical anesthesia
|April 28, 2024
概括
一个新的机器学习模型有效地利用广泛的医疗保健数据预测老年手术患者的术后妄想. 这种工具有助于早期识别,可能减少长时间住院和改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 老年人手术是一门老年人手术.
背景情况:
- 手术后痴呆症是手术患者的重大并发症,导致发病率,死亡率和住院治疗增加.
- 快速识别妄症状对于及时干预和改善患者管理至关重要.
- 现有的妄想预测方法在大规模临床环境中可能缺乏准确性或效率.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测接受手术的老年患者的术后妄想.
- 为了利用广泛的日本诊断程序组合 (DPC) 住院患者数据进行模型开发和验证.
- 使用内部和时间验证数据集评估ML模型的预测性能.
主要方法:
- 使用了回顾性观察性研究设计.
- 利用了2016年至2019年的日本DPC住院患者数据,包括65岁及以上接受全身麻醉的患者.
- 使用10倍的交叉验证训练和优化了一种光梯度增强机器模型,通过接收器运行特征曲线 (AUC) 下的面积,回忆和精度评估性能.
主要成果:
- 在内部验证中,光梯度增强机器模型实现了高AUC0.826 (95%CI:0.822-0.829).
- 该模型的回忆率为0.124,精度为0.659.
- 在时间验证中,性能维持了 (AUC:0.815),具有0.672的特异性和0.975的负预测值,灵敏度为80%.
结论:
- 通过使用大规模的DPC数据,成功开发了一种可验证的机器学习模型,用于预测术后妄想.
- 开发的模型显示出有前途的性能,并可能成为一个有价值的工具,以促进在临床实践中预测术后妄想.
- 进一步实施和评估这种ML模型可以提高术后妄想的早期检测和管理策略.
