基于机器学习的片回收预测建模:实时,患者特定的术后片监测和预警系统的理论

科学领域:

• 整形外科 整形外科 整形外科
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 术后自由监测是必不可少的,但具有挑战性,通常依赖于主观评估.
• 早期发现片损伤至关重要,以防止严重的并发症.
• 目前的监测方法非常繁重,需要经常进行临床评估.

研究的目的:

• 开发一种机器学习模型,用于预测自由回收重新操作的风险.
• 建立实时风险监测和免费翻页妥协警报的基础.
• 改善早期检测和干预率,以改善自由板中的血管损害.

主要方法:

• 成年患者接受自由重建的回顾性队列研究 (2019-2024年).
• 使用电子医疗记录 (EMR) 对人口和临床变量进行分析.
• 开发和训练一个随机森林模型,用AUROC评估性能,灵敏度,特异性和准确性.

主要成果:

• 包括458个患者接触;6.1%需要翻盖回收.
• 随机森林模型实现了0.86的测试AUROC,具有75%的灵敏度和78%的特异性.
• 折叠板损害的关键预测因素包括皮肤完整性,脉和透缩血压.

结论:

• 机器学习模型在预测自由回收方面表现出高准确度.
• 集成到EMR平台可以创建实时预警系统 (EWS).
• 这种主动的方法提高了对片损害的早期检测和干预,需要在各种环境中进行未来的验证.