预测乳房重建再接收,再操作和长期停留时间:一种机器学习方法

科学领域:

• 整形外科 整形外科 整形外科
• 医疗信息学 医疗信息学
• 手术结果研究研究.

背景情况:

• 预测乳房重建后的术后并发症对于患者的治疗结果和降低成本至关重要.
• 机器学习 (ML) 算法提供了一种新的方法来识别患有并发症高风险的患者.

研究的目的:

• 研究ML算法在预测乳房重建患者短期术后并发症方面的实用性.
• 评估各种ML模型的预测性能,用于重新接收,重新运行和长时间停留.

主要方法:

• 利用国家外科质量改进计划 (NSQIP) 数据库 (2020-2022) 对27718名乳房重建患者的数据.
• 训练了6个ML模型来预测30天的再入院,30天的重新手术和长时间的停留 (LOS).
• 使用AUC,灵敏度,特异性和Brier分数评估模型性能;SHAP值确定了关键预测因素.

主要成果:

• 在所有并发症类型中,ML模型表现出中度至强度的预测性能,AUC从0.614到0.861.1不等.
• 长期LOS在植入患者 (0.861) 和延迟自主重建的30天再录取 (0.859) 中观察到最高的AUC.
• 确定的主要预测因素包括手术时间,BMI,年龄,重建时间和ASA类.

结论:

• ML模型可以有效地预测乳房重建中的短期术后结果.
• 这些ML模型的进一步改进和数据优化有可能改善手术前风险分层.
• 加强风险分层可以导致乳房重建手术中更好的患者结果.