在腹部手术后,基于机器学习的术后死亡风险的预测

科学领域:

• 医疗信息学 医疗信息学
• 手术瘤学手术瘤学
• 医疗保健中的机器学习

背景情况:

• 术前风险评估对于识别患有术后死亡风险高的患者至关重要.
• 风险评估的传统评分系统可能会耗费大量时间.
• 机器学习 (ML) 模型为快速准确的风险预测提供了一个潜在的解决方案.

研究的目的:

• 评估各种机器学习算法在预测腹部手术后死亡风险方面的有效性.
• 将ML模型的性能与术后死亡率预测的传统方法进行比较.

主要方法:

• 一项回顾性研究涉及230名接受腹部手术的患者.
• 开发了名ogram,决策树,随机森林,梯度增强,支向量机 (SVM) 和原始贝叶斯模型.
• 用接收器操作特征 (ROC) 曲线和DeLong测试进行比较,评估了模型性能.

主要成果:

• 这项研究包括230名患者,52人死亡,178人幸存.
• 支持矢量机 (SVM) 模型实现了0.983的曲线下的最大面积 (AUC) (95% CI:0.959-1.000).
• 其他模型,包括随机森林 (0.928) 和名录 (0.908),也表现出强大的预测能力.

结论:

• 诺米图,随机森林,梯度增强树和支矢量机器模型显示了预测术后死亡率的巨大潜力.
• 这些ML模型为传统风险评估工具提供了快速而准确的替代方案.
• 模型的选择可以根据特定的临床场景进行量身定制,以实现最佳的患者管理.