针对45家美国医院的手术输血风险的机器学习模型的多中心验证

科学领域:

• 在外科手术期间的医学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 准确估计手术输血风险对于有效的术后规划和资源配置至关重要.
• 医疗保健中现有的机器学习模型往往缺乏外部验证,并且在现实环境中表现不佳.

研究的目的:

• 为了外部验证公开可用的手术个性化预测输血危险 (S-PATH) 机器学习算法.
• 评估S-PATH在全国范围内的医院样本中估计手术期间红细胞输血风险的能力.

主要方法:

• 一项回顾性队列研究,涉及2020-2021年期间来自45家美国医院的3,275,956例手术病例.
• 使用S-PATH估计输血风险,使用患者和程序特征,没有进行局部再培训.
• 性能与标准护理的最大外科手术血液排序表 (MSBOS) 方法进行了比较.

主要成果:

• 在S-PATH推的类型和查订单中,MSBOS的中位数为32.5%的病例,而MSBOS的中位数为51.6%,灵敏度为96%.
• 对于S-PATH,接收器操作特征曲线 (AUROC) 下的中间面积为0.929,明显高于MSBOS的0.857.
• 在所有评估的医院中,S-PATH在MSBOS方法上始终表现出优越性.

结论:

• 在国家医院样本中,S-PATH算法证明了外部有效性和强大的区分能力.
• 在预测手术输血风险方面,S-PATH证明比标准护理 (MSBOS) 更有效.
• 这些发现表明S-PATH作为一个术后临床决策支持工具的潜在实用性,用于优化输血管理.