预测严重的术后并发症和评估机器学习算法中的种族公平性,用于代谢和腹部外科手术
Dong-Won Kang1, Shouhao Zhou2, Russell Torres3
1Department of Surgery, Penn State College of Medicine, Hershey, Pennsylvania.
概括
机器学习模型可以预测减肥手术后的严重并发症. 虽然XGBoost表现最好,但后勤回归显示了更好的种族公平性,突出了在代谢和减肥手术 (MBS) 中需要公平的AI.
科学领域:
- 手术结果研究研究.
- 医疗信息学 医疗信息学
- 健康 公平 卫生 公平
背景情况:
- 预测并发症对于代谢和减肥手术 (MBS) 至关重要.
- 机器学习 (ML) 为MBS中的风险预测提供了潜力.
研究的目的:
- 开发和评估ML模型,以预测MBS中严重的术后并发症.
- 评估这些预测模型的种族公平性.
主要方法:
- 使用了MBSAQIP国家数据库 (2016-2020年).
- 开发了后勤回归,随机森林,梯度增强树和XGBoost模型.
- 采用随机亚抽样来解决类不平衡问题,并使用AUROC,精度,回忆和F1评分来评估性能.
- 使用机会平等差异和差异化影响指标评估种族公平性.
主要成果:
- XGBoost显示了最高的AUROC,尽管在统计学上并不显著.
- 随机森林模型显示,与物流回归相比,回忆能力更好.
- 手术类型和手术时间是关键预测因素.
- 后勤回归模型表现出优越的种族公平度量.
结论:
- 虽然XGBoost提供了高的预测准确性,但物流回归提供了更好的种族公平性.
- 当召回优先考虑时,可能更喜欢随机森林模型.
- 低采样技术可以提高外科风险预测的增强树模型的公平性.
