将STEP-COMPAC定义和手术后增强的康复状态整合到基于机器学习的模型中,用于腹腔镜肝切除术中的术后肺并发症

科学领域:

• 手术瘤学手术瘤学
• 机器学习在医学中的应用
• 肺部医学 肺部医学

背景情况:

• 手术后肺部并发症 (PPC) 是手术后死亡和财务负担的重要原因.
• laparoscopic 肝切除术带有 PPC 的风险,需要患者管理的预测工具.

研究的目的:

• 开发和验证基于机器学习的预测模型,用于识别腹腔镜肝切除术后患PPC高风险的患者.
• 评估手术后增强恢复 (ERAS) 实施对PPC发生率的影响.

主要方法:

• 分析了经过腹腔镜肝切除术的1022名患者队列,数据分为发展和时间验证集.
• 使用最少绝对收缩和选择操作员 (LASSO) 方法在42个提取的因素中进行特征选择,包括ERAS实施.
• 模型性能使用接收器操作特征曲线 (AUC) 下的面积进行评估,后勤回归被确定为表现最好.

主要成果:

• PPC的总体发病率为8.7%.
• 确定PPC的关键预测因素包括ERAS实施状态,血清马-氨基转移酶,恶性瘤存在,总 bilirubin 和年龄调整的查尔斯顿并发症指数.
• 后勤回归实现了内部0.745的AUC,在外部时间验证中达到0.680.

结论:

• 一种机器学习模型,特别是逻辑回归,有效地预测了腹腔镜肝切除术患者的PPC风险.
• 该研究表明,ERAS的实施与PPC的发病率降低有关,这突显了它在术后护理中的重要性.