数据驱动的机器学习模型用于风险分层和预测患有桃体切除术/腺桃体切除术的儿科患者出现狂妄症的风险分层

科学领域:

• 儿科麻醉学 儿科麻醉学
• 医疗保健中的机器学习
• 手术结果研究研究.

背景情况:

• 出现 Delirium (ED) 是儿科手术中一个重要的术后并发症.
• 识别风险因素和预测ED对于改善患者护理至关重要.
• 桃体切除术和腺桃体切除术是ED可能发生的常见手术.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测儿科手术患者的出现 Delirium (ED).
• 确定与ED发生相关的关键临床特征.
• 探索使用无监督学习进行个性化护理的患者子组.

主要方法:

• 数据清理和探索性数据分析 (EDA) 在423名儿科患者的数据集上进行.
• 四个监督的ML模型 (逻辑回归,随机森林,SVM,XGBoost) 被训练和评估.
• 随机森林 (RF) 模型显示出卓越的性能 (AUC-ROC 0.96). 对于子组分析,使用了K-means集群.

主要成果:

• EDA确定年龄,体重,ASA得分和手术持续时间与ED风险有正相关.
• 射频模型强调了妄想查尺度,输出管时间和意识时间作为关键预测因素.
• 通过K-means集群检测,发现了不同的患者亚组,区分了低风险和高风险ED患者.

结论:

• ML模型,特别是RF,是预测儿科外科患者ED的有效工具.
• 识别高风险患者可以实现早期干预和预防策略.
• 无监督的集群促进了个性化的术后管理,提高了患者的治疗结果.