整合机器学习和动态数字跟踪,以更好地预测腹部外科手术中术后并发症
Eleonora Farinella1,2, Dimitrios Papakonstantinou3, Nikolaos Koliakos4
1Centre Hospitalier Universitaire de Saint-Pierre, Brussels, Belgium. eleonora.farinella@stpierre-bru.be.
Obesity surgery
|May 2, 2025
概括
机器学习模型改善了减肥手术风险预测. 集成实时移动健康数据提供个性化,可适应的并发症检测超越传统方法.
科学领域:
- 腹腔外科手术的结果
- 医疗人工智能 医疗人工智能
- 数字健康数字健康
背景情况:
- 传统的风险模型 (例如POSSUM,OS-MS) 在预测腹手术并发症方面显示出有限的准确性.
- 机器学习 (ML) 和人工智能 (AI) 为个性化风险评估提供了新的机会.
- 现有的模型缺乏动态适应个体患者的康复轨迹.
研究的目的:
- 开发和评估两种基于ML的预测模型,用于减肥手术并发症.
- 将使用临床数据的术前模型与整合移动健康数据的术后模型的性能进行比较.
- 通过移动应用程序评估实时患者监测的实用性,以提高风险分层.
主要方法:
- 对104名减肥手术患者的前性研究 (2022年9月至2023年7月).
- 使用"Care4Today"移动应用程序实时监测术后症状和警报.
- 开发和评估了ML模型 (极端线性差异分析,监督后勤回归) 使用交叉验证,准确性,F1分数和AUC.
主要成果:
- 手术前的ML模型实现了75%的准确性和64.7%的AUC.
- 手术后的ML模型,结合移动应用程序数据,表现出卓越的性能,准确度为77.4%,AUC为71.5%.
- 开发了一个用户界面,以实现预测模型的无临床集成.
结论:
- 基于ML的预测模型,特别是那些使用动态术后数据的模型,在减肥手术中显著提高了风险分层.
- 实时移动健康监测有助于早期发现并发症,从而实现个性化和适应性患者管理.
- 建议对更大的数据集进行进一步验证,以确认这些先进的预测工具的概括性.
