在关节整形术期间为外科手术期间的神经认知障碍的多种模型的开发和验证比较

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 手术结果研究研究.

背景情况:

• 外科手术期间的神经认知障碍 (PND) 对接受关节整形手术的患者构成重大风险.
• 准确预测PND对于改善患者的治疗结果和优化临床管理至关重要.
• 现有的PND预测模型可能缺乏足够的准确性或通用性.

研究的目的:

• 开发和比较多种机器学习模型,用于预测关节整形患者的PND.
• 通过使用临床变量来确定预测PND风险的最有效算法.
• 为早期识别患有PND高风险的患者提供一个经过验证的工具.

主要方法:

• 利用MIMIC-IV数据库,分析了3,292名关节整形手术患者的数据.
• 应用了五种不同的算法:多重逻辑回归,人工神经网络 (ANN),天真贝叶斯,支持向量机器和决策树 (XgBoost).
• 在培训和验证集上使用包括ROC,准确度,精度,F1分数,Brier分数和预测准确度指数 (IPA) 在内的指标评估模型性能.

主要成果:

• 人工神经网络 (ANN) 模型与其他算法相比,表现优越.
• ANN实现了高精度 (93.8%的培训,90.3%的验证) 和ROC (0.954培训,0.857的验证).
• 开发了一个在线可视化工具,以促进ANN模型的实际应用.

结论:

• 该ANN模型是预测关节整形手术患者周术神经认知障碍的高效工具.
• 这种预测能力可以帮助临床医生进行风险分层和个性化患者护理.
• 进一步实施验证的AI模型可以提高PND在手术环境中的管理.