开发一种基于机器学习的预测模型,用于在口腔癌的彻底手术中预测手术期间的低温风险

科学领域:

• 在瘤学瘤学.
• 麻醉学 麻醉学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 术内低温是激进口腔癌手术中的一个重大风险.
• 准确预测和识别风险因素对于患者管理至关重要.
• 现有的预测方法对于这种特定的外科手术群体可能缺乏准确性.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测手术内低温风险.
• 确定在口腔癌手术中临床干预的关键贡献风险因素.
• 为了增强经过激进口腔癌切除的患者的术后风险分层.

主要方法:

• 对402名接受了急性口腔癌切除术的患者进行了回顾性分析.
• 使用随机森林 (RF),XGBoost和LASSO回归的预测模型的开发.
• 通过ROC曲线,校准图和SHAP分析评估模型性能.

主要成果:

• 射频模型实现了卓越的预测性能 (验证AUC=0.807).
• 确定了关键预测因素:手术持续时间长 (>441分钟),基线温度低 (≤36.5°C),以及手术内液体体积高 (≥4.6升).
• 校准图表 (MAE = 0.17) 显示的预测结果与实际结果之间有很强的一致性.

结论:

• 基于机器学习的随机森林模型可靠地预测口腔癌手术中的手术内低温风险.
• 手术持续时间和基线温度是术后分层的关键风险因素.
• 该模型和已识别的因素为有针对性的干预和改善患者结果提供了宝贵的见解.