机器学习模型可以比传统的统计模型更好地预测腹部手术中的手术部位感染吗?

科学领域:

• 医疗信息学 医疗信息学
• 流行病学 流行病学
• 外科手术的结果

背景情况:

• 鼻腔感染,特别是手术部位感染 (SSI),在医疗保健环境中构成了重大挑战.
• 现有的手术部位感染 (SSI) 预防改善协作 (SENIC) 模型用于风险评估.
• 对SENIC模型的外部验证和更新对于提高其有效性至关重要.

研究的目的:

• 通过外部验证和更新SENIC模型来预测手术部位感染 (SSI).
• 为了比较物流回归 (LR) 和各种机器学习 (ML) 方法在SSI风险预测中的性能.
• 确定可靠的模型来监测腹部手术患者的SSI风险.

主要方法:

• 对接受胃肠道,结肠直肠和瘤手术的患者的医院数据库数据的回顾性分析.
• 计算SENIC指数及其在物流回归 (LR) 模型中的应用.
• 机器学习 (ML) 模型的开发和评估,包括决策树 (DT),随机森林 (RF),极端梯度增强 (XGBoost) 和天真贝叶斯 (NB).

主要成果:

• 整体的SSI患病率为3.21%.
• 与原来的SENIC模型 (C-统计:0.668) 相比,一个更新的SENIC-LR模型与六个预测因素显示出更高的性能 (C-统计:0.768).
• 机器学习模型表现较差,表现出过度装配的迹象,而naive bayes是一个例外.

结论:

• 更新的SENIC-LR模型为SSI风险预测提供了更高的准确性.
• 更新的SENIC-LR模型和Naïve Bayes是监测腹部手术后SSI风险的潜在有价值的工具.