可解释的机器学习方法来预测成人脊柱形患者的长时间重症监护室停留情况:机器学习优于后勤回归
Bashar Zaidat1, Mark Kurapatti1, Jonathan S Gal1
1Department of Orthopaedics, The Mount Sinai Hospital, New York, NY, USA.
Global spine journal
|August 22, 2024
概括
机器学习模型可以预测成年脊柱形 (ASD) 患者的长时间重症监护室 (ICU) 停留时间. 这些模型与临床决策保持一致,有助于风险分层和成本效益的护理.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 长时间的重症监护病房 (ICU) 停留与成人脊柱形 (ASD) 患者的增加成本和较差的结果有关.
- 机器学习 (ML) 为术前风险预测提供了潜力,但在决策过程中往往缺乏透明度.
研究的目的:
- 开发和验证ML模型,用于预测ASD患者长时间的ICU停留.
- 为了证明ML模型在预测能力方面可以匹配或超过传统的统计方法.
- 确保ML模型决策与使用SHAP值的既定临床推理保持一致.
主要方法:
- 追溯队列研究,包括535名ASD患者接受后部或联合融合.
- 培训和验证五个ML模型:决策树,随机森林,支持向量分类器,GradBoost和CNN.
- 使用沙普利增量解释 (SHAP) 值来解释模型预测并确定关键预测因素.
主要成果:
- ML模型实现了接收器操作曲线下的面积 (AUROC) 在0.67和0.83.8之间.
- 随机森林模型展示了最高的预测性能.
- 通过SHAP分析确定的关键预测因素包括手术持续时间,并发症和估计的血液损失.
结论:
- 开发了一种有效的ML模型,用于预测ASD患者的长时间ICU停留.
- SHAP分析证实,ML模型的预测与传统的临床判断一致.
- 机器学习模型对提高ASD手术中的风险分层和优化护理效率有显著的前景.
