开发和验证基于机器学习的模型,用于预测在烧伤手术期间的手术内流血

科学领域:

• 手术瘤学手术瘤学
• 人工智能在医学中的应用
• 医疗信息学 医疗信息学

背景情况:

• 在手术期间流失的血液是燃烧患者护理的一个重要问题.
• 早期识别患有大量失血高风险的患者对于手术规划和患者安全至关重要.

研究的目的:

• 开发和验证一个预测模型,用于识别在烧伤手术期间面临实质性手术内失血 (>750毫升) 风险的患者.
• 为了比较这项预测任务的六个机器学习算法的性能.

主要方法:

• 从395个烧伤手术中收集了人口统计,实验室和手术数据.
• 开发了六种机器学习模型 (逻辑回归,决策树,随机森林,K-最近邻居,支向量机器,极端梯度提升) 用于预测血液损失>750毫升.
• 使用内部和外部队列验证模型,通过多个指标评估绩效,并创建基于Web的计算器.

主要成果:

• 随机森林模型表现出卓越的预测准确性,在内部和外部验证中获得最高的整体绩效分数.
• 确定的主要预测因素包括初始血红蛋白,手术时间,初始血小板,切除/移植的总体体表面积的百分比和手术持续时间.
• 创建了一个基于网络的应用程序,用于可访问的预测手术内流失的血液.

结论:

• 随机森林模型是一种有效的AI工具,用于预测烧伤手术中的显著手术内流血.
• 开发的基于Web的平台有助于进一步验证数据和优化模型.
• 识别关键的临床预测因素提高了管理失血风险的能力.