开发和验证人工智能模型用于术后感染的早期检测 (PERISCOPE):使用电子健康记录数据的多中心研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 手术结果研究研究.

背景情况:

• 手术后感染对患者的治疗结果和医疗保健费用构成重大风险.
• 早期检测感染至关重要,但由于缺乏可靠的预测因素而受到阻碍.
• 现有的人工智能 (AI) 模型往往缺乏外部验证和本地适用性.

研究的目的:

• 开发和验证本地适用的AI模型,用于早期预测术后感染.
• 增强PERISCOPE AI系统,使患者出院更安全,及时开始治疗.
• 解决现有的AI模型在不同临床环境中的局限性.

主要方法:

• 使用回顾性电子健康记录数据 (2014-2023) 开发和验证XGBoost模型.
• 模型在A医院接受培训,并在B和C医院进行验证/更新.
• 使用接收器操作特征曲线 (AUROC) 下面面积,校准和决策曲线分析来评估性能.

主要成果:

• 该研究分析了253,010项手术,在30天内确定了23,903例感染.
• 在本地更新后,模型性能,校准和临床实用性显著改善.
• 更新后的30天预测AUROC达到0.82 (A医院),0.82 (B医院) 和0.91 (C医院).

结论:

• 佩里斯科普人工智能系统准确地预测了在7天和30天内发生的术后感染.
• 强大的本地模型更新对于在不同临床环境和患者群体中保持AI性能至关重要.
• 这种方法有可能在不同的医疗环境中改善临床护理和患者的治疗结果.