根据Clavien-Dindo分类对与手术相关的不良事件进行分级的算法的性能
Lisen Båverud Olsson1,2, Dennis Parkan1, Annika Sjövall1,2
1Department of Molecular Medicine and Surgery, Karolinska Institutet, Stockholm, Sweden.
Annals of surgery
|January 15, 2025
概括
一个自动化算法使用电子健康记录 (EHR) 数据准确地评分与手术相关的不良事件 (AE). 这种工具与手动分级有很强的一致性,有可能改善患者护理并降低成本.
科学领域:
- 医疗信息学 医疗信息学
- 手术结果研究研究.
- 健康 数据科学 数据科学
背景情况:
- 与手术相关的不良事件 (AE) 经常发生,增加了患者的发病率和医疗保健费用.
- 手动图表审查仍然是评级AE的标准,这是一个资源密集的过程.
- 使用电子健康记录 (EHR) 数据进行Clavien-Dindo (C-D) 分类的自动分级算法以前没有被探索过.
研究的目的:
- 用克拉维恩-丁多 (C-D) 分类系统来评估一个自动化算法的性能,用于分类与手术相关的不良事件 (AE).
- 将算法的分级精度与结直肠外科医生 (黄金标准) 和研究护士 (现行实践) 的手册注释进行比较.
主要方法:
- 该算法是使用来自斯德哥尔摩卡罗林斯卡大学医院的EHR数据开发的.
- 它为1379项选择性结肠直肠手术在手术后30天内发生的AE分配了C-D等级.
- 在399个程序的样本中,使用kappa统计数据对C-D分类和综合复杂性指数 (CCI) 的类内相关性进行了评估.
主要成果:
- 该算法在C-D分类方面与外科医生 (kappa=0.77) 和护士 (kappa=0.74) 达成了实质性的一致.
- 在纠正错误分类的外科医生注释 (kappa=0.89) 后,协议得到了显著改善.
- 在校正后,算法和外科医生 (0.89) 之间CCI的类内相关性很高,在护士 (0.76) 之间则中度.
结论:
- 开发的算法显示了与手术相关的AE自动分级的有希望的性能.
- 实施实时数据与持续评估的动机是评估对AE的影响.
- 未来的工作可能涉及使用本地EHR数据以提高机器学习技术的风险预测.
