在低收入和中等收入国家使用机器学习的儿童手术患者的术后死亡风险计算器的开发和内部-外部验证
Lauren Eyler Dang1, Greg Klazura2, Ava Yap3
1NIAID Biostatistics Research Branch, Bethesda, MD, USA.
Journal of pediatric surgery
|September 24, 2024
概括
一个新的机器学习算法准确地预测了低资源环境中的儿科手术后死亡率. 这种工具可以改善全球接受手术的儿童的临床护理和资源分配.
科学领域:
- 全球健康 全球健康
- 医疗信息学 医疗信息学
- 儿科手术 儿科手术
背景情况:
- 低收入和中等收入国家 (LMICs) 的儿科手术结果至关重要.
- 为这些环境开发准确的死亡率预测工具对于改善护理至关重要.
研究的目的:
- 为儿科手术患者开发和验证基于机器学习的死亡风险算法.
- 评估14个LMIC的KidsOR网站上的算法的性能.
主要方法:
- 一个SuperLearner机器学习算法被训练在超过21000名儿科外科患者的数据库上.
- 在20个KidsOR网站上,从2018年6月到2023年6月,追溯和前性地收集了数据.
- 使用内部-外部交叉验证来评估算法性能,重点是AUC和校准.
主要成果:
- 性能最好的算法是极端梯度增强模型,交叉验证的AUC为0.945.
- 外部验证显示出优异的区分 (AUC 0.864),尽管新站点可能需要重新校准.
- 在研究队列中,整体术后死亡率为3.1%.
结论:
- 开发的KidsOR术后死亡风险算法显示出卓越的预测性能.
- 该模型可以为临床实践提供信息,并指导LMICs的资源分配.
- 建议在新地点部署进一步验证和潜在的重新校准.


