针对特定风险的培训队伍,以解决手术风险预测中的阶级不平衡

科学领域:

• 手术成果研究的研究结果.
• 机器学习在医疗保健中的应用
• 医学中的预测分析.

背景情况:

• 机器学习 (ML) 对外科风险预测和临床决策支持至关重要.
• 数据中的类不平衡会对ML模型的性能产生负面影响,特别是在罕见的并发症中.
• 准确预测低发病率并发症对于患者安全和资源分配至关重要.

研究的目的:

• 评估在特定风险的外科手术队伍上训练的风险预测模型的性能.
• 评估培训ML模型对程序风险定义的不同队伍的影响.
• 为了确定专业培训是否可以提高罕见的术后事件的预测准确性.

主要方法:

• 开发了一个深度学习模型来预测五种常见的术后并发症.
• 该模型被训练在单独的队列上:高风险,中风险和低风险的共同程序术语代码.
• 性能指标 (AUROC,AUPRC,F1分数,准确性) 与基线模型进行了比较.

主要成果:

• 对高风险队伍的培训显著改善了死亡率,AKI和长时间ICU停留的精度回忆曲线 (AUPRC) 下的区域.
• 在受过高风险数据训练时,F1得分在死亡率,长时间通风,败血症和AKI方面显著增加.
• 在控制基线表现后,医院住院死亡率的AUPRC显示显著增加 (0.53比0.29).

结论:

• 在程序特定的风险类别上训练ML模型可以提高预测性能,特别是对于患病率低的并发症,如住院死亡率.
• 这种特定风险的队列培训策略为手术风险预测模型提供了最佳的方法.
• 这些发现表明,在手术决策支持中开发可靠的ML工具的方法更有效.