一种可解释和监督的机器学习模型,用于预测关节骨折手术期间患者的红细胞输血

科学领域:

• 整形外科手术 整形外科手术
• 麻醉学 麻醉学
• 数据科学数据科学数据科学

背景情况:

• 关节骨折手术与严重的血液损失和高频率的红细胞 (RBC) 输血有关.
• 预测需要进行手术内红细胞输血的需要对于优化患者管理和资源配置至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测在接受关节骨折手术的患者的手术内红细胞输血.
• 在这个患者群体中确定红细胞输血的关键预测因子.

主要方法:

• 对2785例关节骨折手术病例进行了回顾性分析.
• 评估了6个ML算法,随机森林 (RF) 模型因其卓越的性能而被选中.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
• 对122名患者的数据进行了外部验证.

主要成果:

• 在手术期间输血红细胞的发生率为7.5% (209名患者).
• 确定的主要预测因素包括更长的手术持续时间,手术前贫血 (POA),年龄较大,低蛋白质血和内部固定手术.
• 射频模型在内部验证中达到0.887的AUC,在外部验证中达到0.834.

结论:

• 开发的RF模型利用了10个常见变量,证明了在关节骨折患者的手术内红细胞输血的强大预测能力.
• 这种基于ML的方法提供了一个有前途的工具,用于在这个外科队伍中主动管理输血需求.