在肝胆外科手术期间预测手术内低血压
Juan P Cata1,2, Bhavin Soni3,4, Shreyas Bhavsar1
1Department of Anaesthesiology and Perioperative Medicine, The University of Texas MD Anderson Cancer Center, Houston, TX, USA.
Journal of clinical monitoring and computing
|September 24, 2024
概括
这项研究引入了一种新的机器学习 (ML) 模型,用于预测肝脏手术患者的手术内低血压 (IOH). 该模型通过结合患者数据和针对灵敏度和特异性的独特可调节功能来提高预测准确性.
科学领域:
- 麻醉学 麻醉学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 术内低血压 (IOH) 与术后并发症的增加有关.
- 机器学习 (ML) 显示了预测IOH的前景.
- 当前的ML模型可能会从增强的功能集成中受益.
研究的目的:
- 开发和评估一个ML模型来预测IOH在接受肝胆道手术的成年患者.
- 研究人口和生理特征对IOH预测准确性的影响.
- 引入一种新的可调节功能,以优化预测灵敏度和特异性.
主要方法:
- 使用13个生理时间序列和患者人口统计数据 (年龄,性别,BMI) 训练了一种多变量随机森林 (RF) 算法.
- 实现了一种具有可调"拨号"的新型多模型投票 (MMV) 方法,用于动态滑动窗口预测.
- 该模型在一个队列上进行了评估,其中85%的人经历了至少一个IOH事件.
主要成果:
- 多变量模型在IOH前8分钟的静态预测中获得了0.97的平均AUC,超过了单变量MAP模型 (AUC0.83).
- 在动态滑动窗口环境中 (前40分钟),MMV模型表现出强的性能,AUC=0.96,PPV=0.89,NPV=0.98.
- 开发的ML模型提供可调节的灵敏度和特异性,用于预测第一个IOH事件.
结论:
- 整合人口和生理数据显著改善了基于ML的IOH预测.
- 新的MMV方法和可调节的功能在动态的外科环境中提高了预测性能.
- 这种ML模型为肝切除手术期间主动IOH管理提供了宝贵的工具.
