机器学习模型对临床医生预测术后并发症的影响:经手术ORACLE随机临床试验
Bradley A Fritz1, Christopher R King1, Mohamed Abdelhack2
1Department of Anesthesiology, Washington University School of Medicine, Saint Louis, MO, USA.
British journal of anaesthesia
|September 11, 2024
概括
机器学习模型没有提高临床医生的准确性,无法预测患者患上术后并发症的风险,例如死亡率或急性损伤. 需要进一步的研究来将AI整合到实时外科手术风险评估中.
科学领域:
- 麻醉学 麻醉学
- 医疗信息学 医疗信息学
- 临床决策支持 临床决策支持
背景情况:
- 手术后的并发症对患者的结果构成重大风险.
- 识别高风险患者对于有效的术后管理至关重要.
- 机器学习 (ML) 为提高临床风险评估提供了潜在的工具.
研究的目的:
- 评估ML辅助风险评估对临床医生的绩效的影响.
- 为了比较临床医生对手术后死亡率和急性损伤 (AKI) 的预测,有或没有ML支持.
- 确定ML模型是否可以提高手术患者风险分层的准确性.
主要方法:
- 一个单一中心的前性随机临床试验,涉及5071名手术患者 (≥18岁).
- 临床医生 (麻醉科医生,护士麻醉师) 用电子健康记录,有或没有ML预测,进行风险评估.
- 主要结果:用于预测30天死亡率和7天AKI的接收器操作特征曲线 (AUROC) 下的面积.
主要成果:
- 临床医生预测显示,在辅助组中,ML模型与ML模型的一致性更强 (死亡的加权卡帕为0.75与0.62;AKI的0.79与0.54).
- 预测死亡的AUROC没有显著改善 (0.793辅助对比0.780无辅助;P=0.76).
- 在AKI预测方面,发现了改善AUROC的趋势 (0.734辅助与0.688无辅助;P=0.06).
结论:
- 机器学习辅助在预测术后死亡率或AKI方面没有显著提高临床医生的表现.
- 该研究强调,需要进一步研究ML在实时外科手术期间风险分层中的实际应用.
- 当前的ML工具可能需要改进,以便有效地集成到临床工作流程中.
