将机器学习应用于ANZELA-QI数据库,以预测接受紧急腹腔切除术的患者的不良结果
Dafydd Jones1, Joshua Blum1, Catherine Cartwright1
1Department of General Surgery, Royal Hobart Hospital, Hobart, Australia.
ANZ journal of surgery
|May 19, 2025
概括
机器学习模型准确地预测了紧急腹腔切除术患者的不良结果. 这些模型可以通过识别重症监护室入院和长时间住院的风险来改善患者护理.
科学领域:
- 外科手术的结果
- 机器学习在医学中的应用
- 医疗信息学 医疗信息学
背景情况:
- 紧急腹腔切除术具有严重的发病和死亡风险.
- 准确的风险预测对于改善患者管理和决策至关重要.
- 澳大利亚和新西兰紧急拉皮切除检查 (ANZELA-QI) 数据库为此类研究提供了宝贵的资源.
研究的目的:
- 应用新型机器学习模型用于紧急腹腔切除术中的风险分层.
- 预测不良结果,包括死亡率,ICU入院,无法返回家园和长时间住院.
- 通过准确的风险评估,增强患者流动和共享决策.
主要方法:
- 使用ANZELA-QI数据库,从8615个案例中提取数据.
- 采用了后勤回归,XGBoost和随机森林机器学习技术.
- 使用临床和人口预测因素对不良结果进行培训和测试的模型.
主要成果:
- 机器学习模型在预测重症监护室 (ICU) 住院和长时间住院的准确性很高.
- 对于ICU入院,敏感度为0.7,特异性为0.74.
- 这些模型在预测超过一周的住院时间方面达到75%的准确性.
结论:
- 使用ANZELA-QI数据库成功开发了新的机器学习模型.
- 这些模型在分层划分长时间住院和术后ICU入院风险方面表现出高准确性.
- 这些发现支持使用机器学习来改善紧急腹腔切除术患者的风险预测.
