开发一种机器学习模型,以估计冠状动脉旁路移植的停留时间

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健服务研究 医疗服务研究
• 医疗保健中的机器学习

背景情况:

• 估计住院时间 (LOS) 对于高效的医疗管理至关重要.
• 预测建模可以优化手术环境中的资源配置和患者流动.

研究的目的:

• 开发和验证一种机器学习模型,用于预测冠状动脉旁路移植 (CABG) 患者的LOS.
• 确定影响CABG后LOS的关键因素.

主要方法:

• 在9584名CABG患者中训练并比较了6个模型 (随机森林,极端梯度增强,神经网络,Poisson,线性,负二项回归).
• 在2627名患者的独立数据集上验证了表现最佳的模型.
• 开发了一个使用前十个预测变量的简化模型.

主要成果:

• 随机森林模型显示了最低的预测误差 (RMSLE 0.412培训,0.454验证).
• 长期LOS的关键预测因素包括非选择性手术,公共医院入院,心力衰竭和患者年龄.

结论:

• 一个经过验证的机器学习模型可以准确地预测CABG患者的LOS.
• 该模型可以作为效率标记,并识别需要更密切监测的患者.
• 这有助于更好的床位管理,手术安排和资源分配.