基于机器学习的模型的开发,验证和临床评估,用于诊断心血管手术后的早期感染 (DEICS):多中心队列研究
Tuo Pan1,2, Haitao Zhang2, Chuangshi Wang3
1Department of Cardiac Surgery, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University, Nanjing, China.
International journal of surgery (London, England)
|February 4, 2025
概括
一个新的机器学习模型准确地诊断心脏手术后的早期术后感染 (EPI). 这种人工智能工具通过优化抗生素使用来改善患者的康复,并降低医疗保健成本.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 心血管外科心血管外科
背景情况:
- 心脏手术后的早期术后感染 (EPI) 对患者的治疗结果构成重大风险,并增加医疗保健支出.
- 及时和准确的EPI诊断对于有效的管理和改善患者康复至关重要.
研究的目的:
- 开发,验证和实施一种机器学习 (ML) 模型,用于在心脏手术患者中早期诊断EPI.
- 通过提高诊断准确性和及时干预来提高术后护理.
主要方法:
- 一项多中心队列研究 (2020-2022) 在1400名参与者的数据上训练了ML模型,包括XGBoost,并对601名参与者进行了验证.
- 最佳模型是通过其接收器操作特征曲线 (AUROC) 下的区域确定并在临床上实施的.
- 一项回顾性研究通过比较遵循模型抗生素建议与经验治疗的患者的结果来评估临床效用.
主要成果:
- 该XGBoost模型表现出卓越的性能,AUROC为0.96.
- 根据该模型接受针对性抗生素升级的患者显示,抗生素使用密度 (AUD) 显著降低,ICU停留时间缩短,医院费用降低.
- 该模型的校准很强,由0.02.2的布里尔分数表明.
结论:
- 实施的XGBoost模型准确地诊断心脏手术后的EPI.
- 该模型的临床应用导致了手术后恢复的改善和医疗保健成本的降低.
- 这种人工智能驱动的方法在心脏外科手术中管理术后感染方面取得了重大进展.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
