术内循环预测头部和部自由重建后的长期停留时间:基于机器学习的回顾性研究
Zhongqi Liu1,2, Jinbei Wen2, Yingzhen Chen1,2
1Department of Anesthesiology, Shenshan Medical Central, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, Shanwei, China.
Frontiers in oncology
|January 27, 2025
概括
机器学习准确量化了手术内循环数据,改善了在头部和部自由重建后长时间停留 (PLOS) 的预测. 这提供了更好的流通管理,以减少PLOS.
科学领域:
- 整形外科 整形外科 整形外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 头部和部自由片重建在管理手术内血液循环方面带来了挑战.
- 术内循环问题可能导致停留时间延长 (PLOS).
- 手动量化流通数据很困难,这限制了与PLOS相关的研究.
研究的目的:
- 使用机器学习算法量化手术内循环数据.
- 调查量化手术内循环和PLOS之间的关联.
- 为了比较量化与手动循环评估的预测准确性,用于PLOS.
主要方法:
- 利用机器学习工具 (例如,富里埃转换) 来从804名患者的手术内循环数据中提取114个特征.
- 开发了基于量化手术内循环的PLOS预测模型.
- 与使用手动手术内循环评估的模型相比验证的模型.
主要成果:
- 机器学习成功量化了手术内循环数据.
- 与手动评估模型 (AUROC 0.719) 相比,定量化手术内循环模型在预测PLOS方面显示出更高的准确性 (AUROC 0.801).
- 为PLOS构建了实时预测模型.
结论:
- 机器学习算法可以有效量化手术内循环数据.
- 实时预测模型可以优化手术内循环管理.
- 这种方法有可能减轻头部和部自由重建的长时间停留.
更多相关视频
08:05A Pre-clinical Rat Model for the Study of Ischemia-reperfusion Injury in Reconstructive Microsurgery
Published on: November 8, 2019
7.3K
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
