无监督的机器学习来识别患者群体,并在结肠直肠外科手术中定制术后护理
Philip Deslarzes1, He Ayu Xu2, Jean Louis Raisaro2
1Department of Visceral Surgery, Lausanne University Hospital CHUV, University of Lausanne (UNIL), 1015 Lausanne, Switzerland.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
机器学习识别了结直肠手术恢复中的患者群,将人口统计和遵守结果联系起来. 这使得手术后可量身定制增强恢复 (ERAS) 协议,以改善患者护理.
科学领域:
- 结肠直肠手术 结肠直肠手术
- 机器学习 机器学习
- 在手术后增强恢复 (ERAS)
背景情况:
- 手术后增强恢复 (ERAS) 协议旨在优化患者的治疗结果.
- 人口统计学和合规性的患者变化可能会影响ERAS的有效性.
- 需要数据驱动的方法来个性化ERAS战略.
研究的目的:
- 应用机器学习 (ML) 技术来识别患者子组.
- 根据大肠直肠ERAS患者的人口统计,合规性和结果定义集群.
- 为个性化的ERAS改进数据驱动,预测性决策.
主要方法:
- 无监督的K-means集群算法用于识别没有预定义标签的患者子组.
- 分析包括人口统计学,外科手术期间的合规性和临床结果变量.
- 集群过渡从人口统计数据追溯到符合结果.
主要成果:
- 在1381名患者中确定了三个人口风险集群 (低风险,中风险,高风险).
- 发现了两个合规集群 (高,低) 和两个结果集群 (好,差).
- 低风险患者的高服从度显示出良好的结果;高风险患者的服从度较低,恢复较差.
结论:
- 基于ML的集群有效地在结直肠ERAS中确定了不同的患者子组.
- 集群分析揭示了人口统计,合规性和恢复结果之间的关联.
- 这种方法促进了量身定制的ERAS协议的开发,以提高患者的合规性和结果.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
493
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
