一个基于机器学习的风险评估模型,用于治疗不良的术后疼痛结果
Claudia Kagerer1,2, Stefanie Jauk1, Diether Kramer1
1Steiermärkische Krankenanstaltengesellschaft m. b. H., Graz, Austria.
Studies in health technology and informatics
|April 24, 2025
概括
这项研究开发了一种机器学习模型,以预测可能经历严重术后疼痛的患者. 梯度提升机算法实现了0.82的AUROC,为有针对性的疼痛管理提供了一个有希望的工具.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 疼痛管理 疼痛管理
背景情况:
- 手术后疼痛仍然是一个重大的临床挑战.
- 有效的疼痛管理需要识别有风险的患者进行有针对性的干预.
- 机器学习 (ML) 为风险分层提供了一种数据驱动的方法.
研究的目的:
- 开发和验证基于ML的风险评估模型,用于预测不良的术后疼痛结果.
- 尽早识别高风险患者,而不需要额外的数据收集.
- 为了利用现有的电子病历 (EMR) 数据进行预测建模.
主要方法:
- 利用来自超过7万例住院和门诊病例的EMR数据.
- 开发并比较了使用807功能的各种ML模型.
- 采用梯度提升机 (GBM) 算法以获得最佳性能.
主要成果:
- GBM 模型表现出强大的预测性能,在持有测试数据上,接收器运行特征曲线 (AUROC) 下的面积为 0.82.
- 该模型有效地使用常规EMR数据识别了风险较低的疼痛结果的患者.
- 实现了良好的预测准确度,而不需要新的数据采集.
结论:
- 开发的GBM模型显示了早期识别容易患有严重术后疼痛的患者的显著潜力.
- 这种人工智能驱动的工具可以促进主动的,个性化的疼痛管理策略.
- 在现实世界的临床环境中进一步验证至关重要,以确认其实际实用性和影响.


