机器学习模型的选择对于预测手术患者手术后感染很重要
Addison Heffernan1, Reetam Ganguli1, Isaac Sears1
1Division of Trauma and Surgical Critical Care, Department of Surgery, Warren Alpert School of Medicine, Brown University, Providence, Rhode Island, USA.
Surgical infections
|March 19, 2025
概括
机器学习模型 (MLMs) 在预测手术感染方面表现出不同的准确性. 在将其纳入临床决策以获得更好的患者结果之前,了解MLM的表现至关重要.
科学领域:
- 改善外科手术的质量.
- 医学中的人工智能
- 机器学习在医疗保健中的应用
背景情况:
- 手术质量数据集对于决策工具至关重要,包括预测手术感染 (SI).
- 机器学习模型 (MLM) 是人工智能 (AI) 的一个子集,在外科决策算法中越来越多地使用.
- 并非所有MLM都适合急性手术患者,因为它们的功能独特.
研究的目的:
- 评估各种MLM在预测术后手术感染方面的表现.
- 通过使用大型外科手术质量数据集,识别常见和新型MLM预测能力的差异.
主要方法:
- 这是一项对624,625名接受紧急和紧急手术的国家外科质量改善计划 (NSQIP) 患者的5年后期回顾.
- 数据包括人口统计,并发症和感染率;四个常见的MLM (XGBoost,KNN,随机森林,物流回归) 和两个新型模型被生成来预测术后SI.
- 评估模型性能是使用接收器操作特征曲线 (AUC ROC) 和精度回忆曲线下的面积.
主要成果:
- 整体手术后感染率为8.6%.
- 受感染的患者年龄较大,更有可能是老年人,男性,糖尿病患者,患有慢性肺炎,吸烟者,而且不太可能是白人.
- 微量市场的表现有所不同:XGBoost (AUC = 0.85) 和逻辑回归 (AUC = 0.82) 显示出比KNN (AUC = 0.62) 更高的预测能力. 在检测感染方面,XGBoost的表现也很好 (AUC = 0.73),而KNN的表现很差 (AUC = 0.16).
结论:
- 在预测外科手术患者手术后感染的MLM的性能上存在显著差异.
- 该研究突出了MLM预测能力的层次结构,强调并非所有模型都以同样的方式运行.
- 外科医生必须在将MLM纳入临床决策之前了解其作用和功能,以确保最佳的患者护理.
