使用机器学习在混合老年外科患者群体中评估外科期间的风险:多目标符号回归方法,以从心肺运动测试中获得心肺健康

科学领域:

• 医疗信息学 医疗信息学
• 心脏病学 心脏病学
• 老年人手术是一门老年人手术.

背景情况:

• 术前风险评估至关重要,但现有的评分缺乏精度和局部校准.
• 机器学习 (ML) 有潜力克服传统风险预测模型的局限性.
• 接受重大选择性手术的老年患者需要准确的病率预测.

研究的目的:

• 开发和评估先进的ML模型,用于预测术后发病率.
• 调查心肺健康数据对预测准确性的影响.
• 将ML模型的性能与已建立的风险得分进行比较.

主要方法:

• 对1190名接受重大选择性手术的老年患者的回顾性分析.
• 将心肺呼吸能力数据 (CPET),人口统计和临床数据集成到ML算法中.
• 使用多目标符号回归 (MOSR) 和沙普利添加式解释 (SHAP) 进行模型开发和特征分析.

主要成果:

• 与单独的临床数据相比,将心肺健康数据纳入心肺健康数据改善了20%的发病率预测.
• 在SHAP分析中,心肺健康特征比临床特征更重要.
• MOSR模型的表现优于所有其他模型,包括现有得分和线性回归,证明了稳定性和通用性.

结论:

• 整合心肺健康数据与ML模型显著提高了术前预测术后发病率.
• 新的MOSR算法为外科风险评估提供了准确,简单和可概括的模型.
• ML模型,特别是MOSR,显示了个性化和精确的手术前风险分层的前景.