机器学习模型的开发,以预测部手术中的术后输血

科学领域:

• 整形外科手术 整形外科手术
• 数据科学数据科学数据科学
• 麻醉学 麻醉学

背景情况:

• 在部外科手术中,全基因输血是常见的,但与患者发病率的增加有关.
• 精确预测输血风险对于最大限度地减少血液产品浪费和优化手术前决策至关重要.
• 识别显著的风险因素对于主动的患者管理至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测关手术期间红细胞 (RBC) 输血.
• 确定与输血风险相关的关键患者和手术因素.

主要方法:

• 利用了2013年1月至2021年10月期间进行的2431次部手术的数据.
• 训练并测试了14个机器学习算法,包括Ridge分类器,以在72小时内预测红细胞输血.
• 雇员歧视,校准,决策曲线分析,以及SHapley添加式解释 (SHAP) 用于模型评估和解释.

主要成果:

• 斜坡分类器模型表现出高预测性能,AUC为0.85.
• 确定了与患者相关的重大风险因素:手术前血红蛋白降低,美国麻醉学会 (ASA) 身体状况>2,贫血,手术前纤维素素降低,手术前白血素降低.
• 确定了与手术相关的重大风险因素:更长的手术时间,全关节整形手术和自身输血.

结论:

• 机器学习模型可以有效地利用现有的临床数据预测部手术中的术后输血.
• 鉴定到的预测因素为进行关节手术的患者的风险分层和术前优化提供了宝贵的见解.
• 改进的预测可以带来更好的患者结果和更有效的血液产品利用.