麻醉后护理单位 (PACU) 准备预测使用机器学习:对算法进行比较研究

科学领域:

• 麻醉学和外科手术期间的医学.
• 医疗保健中的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 及时释放麻醉后护理单位 (PACU) 对患者安全和高效的医院运作至关重要.
• 过早释放可能会导致并发症,而延迟压力资源.
• 机器学习 (ML) 提供了一种新的方法,可以使用患者数据预测最佳出院时间.

研究的目的:

• 评估多个ML模型在预测PACU排放准备的有效性.
• 将ML模型的性能与员工评估和Aldrete检查清单等传统方法进行比较.
• 确定最准确的ML算法,以优化PACU放电决策.

主要方法:

• 一项涉及830名接受全身麻醉的患者的横截面研究.
• 收集了患者的人口统计数据,手术细节和Aldrete分数.
• 使用两个预测方法测试了各种ML模型 (RF,SVM,LR,DT,KNN,ANN,XGBoost):15分钟间隔和二进制分类.
• 基于准确性,精度,回忆,F1分数和AUC的评估模型,与工作人员和Aldrete分数进行比较.

主要成果:

• 随机森林 (RF) 算法在两个预测方法中都显示出高性能.
• 当与Aldrete分数进行基准对比时,RF实现了0.87的AUC和0.71的准确性.
• 在二进制分类中,RF在工作人员评估中获得了0.85的AUC和0.86的准确性,ANN也表现出强的结果.
• 由于重叠的置信区间,在表现最佳的模型之间没有发现统计学上显著的差异.

结论:

• 随机森林 (RF) 和人工神经网络 (ANN) 模型显示了预测PACU排放准备的巨大潜力.
• 这些ML工具可能会为当前的员工评估和Aldrete检查清单提供一个更一致和数据驱动的替代方案.
• 需要进一步的研究来验证和实施这些ML模型,以改善患者的治疗结果和医院的效率.