预测术后的感染后的细胞还原性手术和超热肠膜内化学疗法与切除术
Nolan M Winicki1, Shannon N Radomski1, Yusuf Ciftci1
1Department of Surgery, Johns Hopkins University School of Medicine, Baltimore, MD, USA.
Annals of surgical oncology
|January 22, 2025
概括
一个新的机器学习模型准确地预测了经过细胞还原性手术 (CRS) 和高温腹腔内化学疗法 (HIPEC) 后的术后感染. 这种工具可以帮助临床医生更早地诊断和治疗感染.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 机器学习在医学中的应用
背景情况:
- 脊髓切除术和高温腹腔内化疗 (HIPEC) 后的术后血液学变化可能会掩盖感染评估.
- 带有HIPEC和脊髓切除的细胞还原性手术 (CRS) 是一种复杂的程序,可能会导致感染并发症.
研究的目的:
- 开发和验证一种机器学习模型,用于预测手术后感染风险,在患者接受CRS与HIPEC和脊髓切除术.
- 改善早期诊断和管理感染在这个患者群体.
主要方法:
- 利用国家TrinetX数据库和约翰霍普金斯医院 (JHH) 的2010-2024年数据.
- 收集患者的人口统计数据,并发症,生命体征,每日实验室值和感染数据.
- 使用极端梯度提升 (XGBoost) 用于预测建模,在JHH队列上进行外部验证.
主要成果:
- 在TriNetX队列中,XGBoost模型表现出极好的预测准确度 (AUC 0.910) 并在JHH (AUC 0.823) 外部验证时保持高准确度.
- 该模型获得了高F1得分 (0.915在TrinetX,0.864在JHH),表明在识别感染患者方面表现强.
- 该研究包括TrinetX的1016名患者,其中21%的患者在14天内患上术后感染.
结论:
- 一个新的机器学习算法有效地预测了手术后的感染后CRS/HIPEC与脊髓切除术.
- 这种预测模型有可能有助于早期检测和及时治疗感染,改善患者的治疗结果.
