机器学习模型的开发和验证,以预测老年人部骨折的术后输血风险

科学领域:

• 整形外科手术 整形外科手术
• 麻醉学 麻醉学
• 数据科学是数据科学.

背景情况:

• 关节骨折患者通常需要术后输血,因为贫血或血液损失.
• 术后输血增加了不良事件的风险,并使血液产品供应受到压力.
• 尽量减少输血对于患者安全和资源管理至关重要.

研究的目的:

• 开发一种机器学习算法,以预测部骨折患者的术后输血风险.
• 早期识别高风险患者,以进行针对性的患者血液管理.
• 为了减少输血需求和相关风险.

主要方法:

• 利用了2016年5月至2022年11月期间入院的805名关节骨折患者的数据.
• 通过使用70:30的培训验证分割,比较了八个机器学习算法 (CART,GBM,KNN,LR,NNet,RF,SVM,XGBoost).
• 基于歧视,校准和临床实用性的评估模型.

主要成果:

• XGBoost算法表现出卓越的性能,实现了高的马修斯相关系数 (MCC) 值 (0.828训练,0.939验证).
• 为预测模型确定了八个特征:年龄,骨折时间,骨折类型,血红蛋白,白蛋白,肌素,离子和激活的部分血栓形成时间.
• 在训练和验证数据集中,XGBoost模型表现出良好的校准和临床实用性.

结论:

• 基于XGBoost的预测模型有效地识别了患有关节骨折的患者,这些患者面临临外科手术期间输血的高风险.
• 该模型的早期应用使其能够及时融入患者的血液管理计划中.
• 这种方法可以显著减少部骨折患者的外科手术期间输血的发生率.