开发一种机器学习衍生模型,以预测在进行重大非心脏手术后的意外ICU入院情况
Catherine Chiu1, Matthias R Braehler1, Anne L Donovan1
1Department of Anesthesia and Perioperative Care, University of California, San Francisco, USA.
BMC anesthesiology
|July 17, 2025
概括
一个新的机器学习模型只使用手术前数据准确预测未计划的重症监护室入院. 该工具有助于临床医生在手术前识别高风险患者,改善术后工作流程.
科学领域:
- 麻醉学和外科手术期间的医学.
- 医疗信息学 医疗信息学
- 手术结果研究研究.
背景情况:
- 计划外的重症监护室入院 (UIA) 对外科手术期间的工作流程构成重大挑战.
- 预测UIA对于优化患者护理和资源配置至关重要.
- 当前的预测方法往往缺乏通用性或依赖于广泛的数据.
研究的目的:
- 开发和验证用于预测UIA的机器学习 (ML) 模型.
- 在模型开发中,只使用易于使用的手术前变量.
- 为术后临床医生提供可靠的工具,以识别高风险患者.
主要方法:
- 总体,血管和胸部服务的4658个成年人手术的回顾性审查.
- 使用梯度增强决策树算法 (XGBoost) 开发一个预测模型.
- 包括来自人口统计和外科预订细节的16个术前预测变量.
- 通过ROC曲线,灵敏度和特异性使用10倍交叉验证和性能评估进行验证.
主要成果:
- 在研究队列中,UIA的发生率为2.3%.
- ML模型实现了ROC曲线下的面积为0.80 (95%CI为0.74-0.86).
- 优化的值为UIA预测带来了94%的特异性和82%的灵敏性.
结论:
- 开发的ML模型可靠地预测UIA,仅使用手术前变量.
- 这种工具可以帮助外科临床医生管理高风险的手术患者.
- 未来的研究将专注于前性验证和实时临床集成.


