使用机器学习在选择性内脏外科手术中90天死亡率预测:一项回顾性多中心开发,验证和比较研究

科学领域:

• 生物医学研究的研究.
• 手术结果预测和预测.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 机器学习 (ML) 在生物医学研究中的采用正在增长,但其在预测内脏手术结果中的实用性尚未得到充分证实.
• 这项研究解决了评估ML在重大选择性内脏外科手术中进行手术前风险分层的可能性的需要.

研究的目的:

• 将ML模型的预测性能与内脏外科手术90天死亡率 (90DM) 的传统评分系统进行比较.
• 评估综合多器官ML方法与器官特定模型和传统得分相比的有效性.

主要方法:

• 这是一项追溯的队列研究,涉及7711名在两个高等医疗中心接受重大选择性内脏手术 (2014-2022) 的患者.
• 开发和外部验证用于90DM预测的多个ML模型,与ASA评分和rCCI进行基准测试.
• 计算AUROC和AUPRC用于模型性能评估,包括器官特定和聚合多器官方法.

主要成果:

• 一个XBoost分类器在外部验证后获得了最高的性能 (AUROC:0.86,AUPRC:0.2) 和稳定性.
• 所有的ML模型都超过了ASA得分和rCCI的预测能力.
• 胃和肠道手术模型显示出高器官特异性性能,而综合多器官方法的表现优于器官特异性模型.

结论:

• 在选择性内脏外科手术中,ML为90DM的术前风险分层提供了可靠的方法.
• 在多器官队列上训练ML模型可以提高与器官特定模型相比的准确性和稳定性.
• 需要进一步的前性研究来验证ML在预测手术结果中的作用.