多模式机器学习用于预测脊柱外科手术中术后安全指标
Kyle Mani1, Thomas Scharfenberger1, Samuel N Goldman1
1Albert Einstein College of Medicine, Bronx, NY, USA.
概括
将自由文本数据与机器学习模型集成,可以显著改善对脊柱手术患者安全指标的预测,例如停留时间和重新手术风险. 这种多式联络方法比仅使用结构化电子健康记录的传统方法提高了准确性.
科学领域:
- 人工智能在医学中的应用
- 脊柱外科手术的结果
- 预测分析在医疗保健中的应用
背景情况:
- 机器学习 (ML) 算法利用电子健康记录 (EHR) 数据来预测外科手术期间的安全性.
- 通过自然语言处理 (NLP) 集成非结构化的自由文本EHR数据可能会提高预测准确性.
研究的目的:
- 开发和验证一个多式机器学习架构,结合结构化的EHR数据和NLP处理的自由文本输入.
- 与仅基于结构化数据的模型相比,改进外科手术期间安全指标的预测 (延长住院时间,90天的重新手术,ICU入院).
主要方法:
- 对1898名脊柱手术患者 (2018-2023) 的回顾性队列研究.
- 利用NLP (量化包,词包) 来处理自由文本EHR数据,并将其与结构化数据集成.
- 训练并验证了两个极端梯度增强 (XGBoost) 模型:一个基线 (仅结构化数据) 和一个使用十倍交叉验证的多式模式 (结构化+自由文本).
主要成果:
- 与基线表格模型相比,多式模式在所有结果指标上表现出色.
- 多式联运模型的ROC曲线下的面积 (AUC) 从0.827到0.903不等,超过了基线模型 (AUC 0.770-0.779).
- 关键预测因素包括患者人口统计学,临床共变量,以及特定的自由文本发现,如脊椎骨质炎和根茎病变.
结论:
- 多式联络NLP模型在预测外科手术期间安全指标方面显著优于基线模型.
- 未来的工作包括结合额外的数据维度 (当前疾病史,体检,成像) 和临床实施.
