机器学习模型的开发和多中心验证,用于预测神经外科手术后的术后肺部并发症
Ming Xu1, Wenhao Zhu1, Siyu Hou1
1Department of Anesthesiology, Huashan Hospital, Fudan University, Shanghai 200040, China.
Chinese medical journal
|February 13, 2025
概括
机器学习模型可以准确地预测神经外科患者手术后肺部并发症 (PPC). 这些模型,包括深度神经网络和名图,可以帮助临床决策改善外科手术结果.
科学领域:
- 神经外科 神经外科
- 肺部医学 肺部医学
- 医疗信息学 医疗信息学
背景情况:
- 手术后的肺部并发症 (PPC) 是神经外科手术后的重大不良事件.
- 预测和预防PPC对于改善患者的治疗结果至关重要.
- 当前的预测方法可能缺乏准确性和通用性.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测神经外科患者的PPC.
- 确定与PPC相关的关键风险因素.
- 将ML模型的性能与现有的临床评分进行比较.
主要方法:
- 来自多家医院的麻醉记录的回顾性分析 (2018-2023).
- 开发使用6个算法 (如DNN,LR) 的ML模型,具有35个或11个选定的特征.
- 使用时间和外部数据集的验证,与ARISCAT和拉斯维加斯分数进行比较.
主要成果:
- 在数据集中,PPC发生在约9-10%的患者中.
- 开发的ML模型显示出良好的区分 (AUC~0.84),其中DNN和LR表现最好.
- 一个11个特征的物流回归计数表的表现优于ARISCAT和拉斯维加斯的得分 (AUC为0.824对0.672/0.663).
结论:
- 机器学习模型,特别是DNN和基于LR的名谱,显示了神经外科手术中PPC的强大预测性能.
- 这些验证的模型可以作为有价值的临床决策支持工具.
- 识别独立的风险因素有助于制定有针对性的预防策略和改善外科手术结果.
