机器学习预测在开放腹 Hernia 修复后的再入院的公平性
Tyler Zander1,2, Melissa A Kendall3,4, Rachel L Wolansky3,4
1Department of Surgery, University of South Florida Morsani College of Medicine, 2 Tampa General Circle, 7th Floor, Tampa, FL, 33606, USA. tlzander@usf.edu.
Surgical endoscopy
|July 7, 2025
概括
这项研究开发了一种公平的机器学习模型,用于预测开放腹修复 (VHR) 后的再入院,在人口群体中发现了类似的表现. 关键预测因素包括停留时间和手术时间,突出显示了外科预测模型中公平性的重要性.
科学领域:
- 手术成果研究的研究结果.
- 机器学习在医学中的应用
- 卫生公平性健康公平性
背景情况:
- 在开放腹腔修复 (VHR) 后再入院的预测模型有限.
- 在预测模型中评估公平性至关重要,以防止偏见在人口群体之间传播.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测开放VHR后的30天计划外再接收.
- 评估预测模型在各种人口群体中的公平性.
主要方法:
- 利用NSQIP数据库 (2018-2021) 对开放的VHR案件进行分析.
- 开发了一个XGBoost模型,具有五倍的交叉验证,以预测再录取.
- 通过使用夏普利添加式扩展 (SHAP) 评估模型性能和性别,种族和种族之间的公平性.
主要成果:
- 该研究包括59,482名患者,再入院率为5.5%.
- 在XGBoost模型中,AUC为0.72,Brier分数为0.16.
- 公平度指标显示人口群体之间的绩效差异很小;像操作时间这样的有影响力的因素是一致的.
结论:
- 通过使用可解释的机器学习,确定了使用VHR开放后无计划再入院的独特预测因素.
- 在人口群体之间显示出最小的绩效差异,表明模型的公平性.
- 倡导将公平度量和可解释性纳入未来的外科机器学习模型.
