使用机器学习算法对静脉瘤进行术后结果预测

科学领域:

• 神经外科 神经外科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 静脉瘤 (VS) 的手术会带来意外的重复手术和并发症的风险.
• 需要预测模型来识别患有不良结果风险较高的患者.
• 个性化医疗方法可以改善患者管理和结果.

研究的目的:

• 开发和验证一种机器学习 (ML) 算法,用于预测无计划的重新手术,手术并发症和VS手术后的医疗并发症.
• 确定影响这些不良结果的关键手术前和手术前变量.
• 为临床医生提供一种工具,以提高风险分层和个性化患者护理.

主要方法:

• 利用美国外科医生学院国家外科质量改进计划 (ACS-NSQIP) 数据库,包括110个术前和术后变量.
• 使用Keras图书馆开发了一个七层深度神经网络模型,训练测试比例为70:30.
• 使用排列效应评估特征重要性,以了解ML模型预测中的变量贡献.

主要成果:

• 这项研究分析了1783名接受VS手术的患者,无计划的重新手术率为8.5%,手术并发症为5.2%,医疗并发症为6.2%.
• 深度神经网络的ROC-AUC值为0.6315的重复手术,0.7939的医疗并发症,和0.719的手术并发症.
• 关键的预测变量包括手术后的住院时间,手术到出院的几天,以及住院总时间.

结论:

• 开发了一种有效的ML算法,以预测未计划的重新手术以及VS手术后的手术和医疗并发症.
• 该模型显示了指导医生预测术后结果的潜力.
• 这种预测能力可以促进为前置神经瘤患者创建个性化医疗护理计划.