预测肝切除术后肝衰竭的机器学习模型的比较研究:在超过25000名国家外科质量改善计划患者中提高风险估计

科学领域:

• 手术瘤学手术瘤学
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 肝切除术后肝衰竭 (PHLF) 是肝脏手术后的一种严重并发症,发生在8-12%的患者中.
• 预测PHLF的传统方法在捕捉复杂模式方面存在局限性.
• 机器学习 (ML) 提供了一种强大的方法来分析大型数据集,以改进PHLF预测.

研究的目的:

• 评估各种ML算法在预测PHLF方面的性能.
• 确定导致PHLF的关键手术前和手术内因素.
• 为了证明ML在手术风险分层中的潜力.

主要方法:

• 使用国家外科质量改进计划 (NSQIP) 数据库来获取患者数据 (2013-2021年28192名患者).
• 训练并测试了包括LightGBM,随机森林,XGBoost和深度神经网络在内的ML模型,以对抗物流回归.
• 使用ROC AUC和Brier分数损失评估模型性能;使用Shapley添加式扩展用于变量重要性.

主要成果:

• 确定了与PHLF相关的关键手术前因素 (INR,,白蛋白,ASA得分,胆红素) 和手术内因素 (输血,三切切切除术,手术时间,开放方法).
• 轻GBM模型实现了最高的性能,ROC AUC为0.8349和Brier分数损失为0.0834.
• 在研究的患者队列中,PHLF发生在4.6%的患者中.

结论:

• ML模型在识别影响外科手术结果的微妙因素方面显示出显著的潜力.
• 这项研究是将ML纳入肝脏手术临床决策的概念证明.
• 通过ML加强风险分层可以改善患者的治疗结果和医疗保健效率.