基于NSQIP数据的DIEP板乳房重建后,人工智能预测重新入院的模型
Berk B Ozmen1, Diwakar Phuyal1, Ibrahim Berber2
1Department of Plastic Surgery, Cleveland Clinic, Cleveland, OH, USA.
概括
一个新的机器学习模型准确地预测深下表胃穿孔器 (DIEP) 板乳房重建后的30天再入院. 该工具可以识别高风险患者进行有针对性的干预,从而减少医疗负担.
科学领域:
- 整形外科 整形外科 整形外科
- 医疗保健中的机器学习
- 手术结果研究研究.
背景情况:
- 经过深部下部上胃穿孔器 (DIEP) 片乳房重建后的再入院是一个重大问题.
- 目前用于预测再接收风险的方法缺乏准确性.
- 需要更好地识别高风险再入院的患者.
研究的目的:
- 开发和验证一种机器学习模型,用于预测DIEP片乳房重建后的30天再入院风险.
- 用一个大型的国家外科手术质量数据库来开发模型.
- 加强手术前风险分层和资源分配.
主要方法:
- 从2016年至2022年对13312个DIEP门程序进行了回顾性分析.
- 开发一个堆叠的机器学习模型,使用患者人口统计学,并发病症,手术特征和实验室值.
- 使用准确性,精度,回忆和F1分数来评估模型性能.
主要成果:
- 整体再接收率为5.42%.
- 堆叠模型实现了88%的准确性和79%的回忆力用于再接收预测 (AUC=0.8921).
- 关键预测因素包括表面切口手术部位感染的时间,手术时间,BMI和手术前的白蛋白.
结论:
- 堆叠的机器学习模型显示了强大的预测能力,用于DIEP后的门重新录取.
- 该模型在识别有风险的患者方面表现出高灵敏度.
- 建议在术前风险分层和有针对性的干预措施中减少再入院的临床用处.
