大型脊柱手术后持续使用阿片类药物的高风险患者的分类:一种机器学习方法
Sierra Simpson1, William Zhong1, Soraya Mehdipour1
1From the Division of Perioperative Informatics, Department of Anesthesiology, University of California, San Diego, La Jolla, California.
Anesthesia and analgesia
|September 16, 2024
概括
机器学习模型可以预测脊柱手术后持续使用阿片类药物. 一个平衡的随机森林分类器在识别有风险的患者方面表现出最高的准确性.
科学领域:
- 神经外科 神经外科
- 数据科学数据科学数据科学
- 药理学 药理学是指药理学的学科.
背景情况:
- 持续的阿片类药物使用是脊椎重大手术后的一个重大问题.
- 长时间暴露于阿片类药物可以导致依赖和升级.
- 预测建模旨在识别长期阿片类药物使用风险的患者.
研究的目的:
- 开发和评估机器学习模型,以预测在经过重大脊柱手术后持续使用阿片类药物.
- 在这个患者群体中确定持续使用阿片类药物的关键预测因素.
主要方法:
- 评估了五种分类模型:物流回归,随机森林,神经网络,平衡随机森林和平衡包装.
- 为了解决阶级不平衡,采用了合成少数群体过量采样技术 (SMOTE).
- 使用F1分数和接收器操作特征曲线 (AUC) 下的面积来测量性能,其特征重要性由夏普利添加式扩展 (SHAP) 确定.
主要成果:
- 均衡随机森林分类器获得了最高的AUC (0.877) 和F1得分 (0.758).
- 通过SHAP分析发现的关键预测因素包括年龄,手术前使用阿片类药物,手术前疼痛评分和体重指数.
- 该模型表现出强大的性能,精度为0.780,特异性为0.883,灵敏度为0.700,精度为0.836.
结论:
- 均衡随机森林分类器是识别脊椎手术后持续使用阿片类药物的最有效模型.
- 准确的预测可以帮助早期干预和阿片类药物使用障碍的管理.
更多相关视频
04:19Minimally Invasive Treatment for Thoracolumbar Burst Fracture Using Sagittal Alignment Screws and A Trauma Reduction Device
Published on: November 8, 2024
379
07:44Evaluation of Patients' Posture and Gait Profile After Lumbar Fusion Surgery by Video Rasterstereography and Treadmill Gait Analysis
Published on: March 23, 2019
17.7K
