先进的非线性建模和可解释的人工智能技术用于预测腹手术30天后的并发症:单中心研究
Nicolas Zucchini1, Eugenia Capozzella1, Mauro Giuffrè2
1Department of Medical, Surgical and Health Sciences, University of Trieste, Strada Di Fiume, 447, 34149, Trieste, Italy.
Obesity surgery
|September 13, 2024
概括
机器学习模型,特别是随机森林模型,可以预测代谢性减肥手术 (MBS) 后的30天术后并发症. 这些人工智能工具在识别高风险患者方面优于现有的MBSAQIP得分.
科学领域:
- 腹部外科手术的结果
- 医疗保健中的机器学习
- 预测外科手术风险预测
背景情况:
- 代谢性减肥手术 (MBS) 是严重肥胖管理的关键.
- 准确预测术后并发症对于患者的安全和选择至关重要.
- 当前的风险评分,如MBSAQIP,有助于,但可能有局限性.
研究的目的:
- 评估机器学习 (ML) 模型,以预测MBS后的30天术后并发症.
- 将各种ML模型的性能与已建立的MBSAQIP风险评分进行比较.
主要方法:
- 对424名MBS患者 (2006-2020年) 的回顾性分析.
- 评估ML模型 (逻辑回归,SVM,随机森林,k-NN,MLP,XGBoost) 用于预测30天后的并发症 (克拉维恩-丁多分类).
- 使用接收器运行特征曲线下的面积 (AUROC) 的性能评估,并与MBSAQIP得分进行比较.
主要成果:
- 随机森林模型表现出卓越的预测性能,最高的AUROC (0.94培训,0.88验证).
- 机器学习模型,特别是随机森林,在预测并发症方面显著超过MBSAQIP得分 (AUROC 0.64) (p < 0.001).
- 随机森林中发现的关键预测特征包括血清性酸酶,血小板计数,甘油三,糖化血红蛋白和白蛋白.
结论:
- 开发的ML模型有效地识别了MBS后30天并发症风险的患者.
- 随机森林模型是表现最好的,超过目前的MBSAQIP风险评分.
- 这种先进的ML方法可以增强对MBS高风险个体的术前识别.
