使用开放数据集预测非心脏手术后急性损伤的机器学习模型的内部和外部验证
Sang-Wook Lee1, Jaewon Jang2, Woo-Young Seo2
1Department of Anesthesiology and Pain Medicine, Asan Medical Center, University of Ulsan College of Medicine, Seoul 05505, Republic of Korea.
Journal of personalized medicine
|June 27, 2024
概括
一个新的机器学习模型准确地预测了非心脏手术后的急性损伤 (AKI). 该工具使用患者数据来改善结果,并展示了开放数据集对医疗AI的价值.
科学领域:
- 医疗人工智能 医疗人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
- 外科手术的结果
背景情况:
- 急性损伤 (AKI) 是非心脏手术后的常见并发症.
- 预测和预防AKI对于改善患者预后和减少医疗保健负担至关重要.
研究的目的:
- 开发和验证一个用于预测术后AKI的机器学习模型.
- 评估预测模型的临床可行性和通用性.
- 探索开放数据集对医学AI模型外部验证的实用性.
主要方法:
- 追溯队列研究涉及76,032名接受非心脏手术的成年患者.
- 使用人口统计,手术前实验室和手术内数据开发一个梯度增强机器模型.
- 外部验证使用来自VitalDB开放数据集的5512名患者.
主要成果:
- 机器学习模型实现了内部验证的AUROC值为0.868,外部验证的AUROC值为0.757.
- 结合手术内数据的模型在内部验证中表现最好.
- 使用手术前数据的模型在外部验证中显示出优异的性能.
结论:
- 开发了一种强大的机器学习模型,用于预测非心脏手术患者的术后AKI.
- 使用开放数据集的外部验证证实了模型的概括性,并突出了这种数据在医学AI研究中的潜力.
- 这些发现支持预测模型的临床实用性,以改善患者护理和结果.
