基于机器学习的诱导后低血压的预测:识别风险因素和增强麻醉管理
Ming Chen1,2, Dingyu Zhang3,4,5
1Department of Anesthesiology, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430022, China.
机器学习确定了诱导后低血压 (PIH) 的危险因素,这种情况会增加手术并发症. 后勤回归最好预测PIH,使个性化麻醉管理和改善患者的结果.
科学领域:
- 麻醉学 麻醉学
- 医疗保健中的机器学习
- 在外科手术期间的医学.
背景情况:
- 诱导后低血压 (PIH) 与严重的手术并发症有关,包括心肌损伤,急性损伤和中风.
- 机器学习 (ML) 提供了一种强大的方法来分析复杂的外科手术数据,并确定并发症的风险因素.
- 准确预测PIH对于优化麻醉管理和患者安全至关重要.
研究的目的:
- 确定与诱导后低血压 (PIH) 相关的关键风险因素.
- 开发和比较用于预测PIH的机器学习模型的性能.
- 通过预测建模来支持个性化麻醉管理策略.
主要方法:
- 对包括5406名接受麻醉的患者在内的数据集的分析.
- 实现和比较后勤回归,随机森林,XGBoost和神经网络模型.
- 使用AUROC,校准曲线和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 后勤回归实现了0.74的接收器运行特征曲线 (AUROC) 下的最高面积,优于其他ML模型.
- 后勤回归证明了根据DCA的优越校准和临床实用性.
- 确定的主要预测因素包括基线血压,年龄,性别,手术类型,血小板数和特定麻醉剂.
结论:
- 后勤回归模型是术前风险评估和定制麻醉计划的宝贵工具.
- 基于ML驱动的预测的早期干预可以改善患者的治疗结果.
- 将ML模型集成到电子医疗记录中可以在麻醉期间实现实时风险评估.
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
08:51Multiple Intravenous Bolus Dosing and Invasive Hemodynamic Assessment in a Hypoxia-Induced Mouse Pulmonary Artery Hypertension Model
Published on: November 11, 2022
相关概念视频
Errors occurring during blood pressure monitoring
Several factors...
Pre-Procedural Guidelines for Assessing Blood Pressure
General Anesthesia: Overview
General anesthesia induces unconsciousness in the whole body, while the others target specific areas or sensations. It is administered to minimize adverse effects, maintain...
Stages of General Anesthesia
