逻辑回归,多层感知和决策树模型用于预测外科手术压力损伤的比较性能:一个回顾性队列研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 患者安全研究 患者安全研究

背景情况:

• 手术压力损伤 (SPI) 在手术期间对患者的安全构成重大风险,原因是不运动和组织输液减少.
• 目前的风险评估工具缺乏SPI的实时预测能力.
• 有效预测和预防SPI对于改善外科手术结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测手术压力损伤 (SPI).
• 评估为外科手术期间风险管理开发的ML模型的临床整合潜力.
• 确定外科住院患者中SPI的关键预测因素.

主要方法:

• 对931名外科住院患者的电子健康记录进行了回顾性分析.
• 开发和验证后勤回归 (LR),多层感知器 (MLP) 和决策树 (DT) 模型.
• 使用曲线下面面积 (AUC),准确性,精度,回忆和F1分数进行性能评估.

主要成果:

• 多层感知器 (MLP) 模型实现了最高的性能,AUC为0.836.
• SPI的主要预测因素包括查尔森并发症指数,药物类型的数量和体重指数.
• 与LR和DT模型相比,MLP模型显示出更高的预测准确性.

结论:

• 开发的MLP模型有效地识别了SPI风险因素,并通过捕捉非线性关系,优于传统模型.
• 将这种ML模型集成到临床工作流程中可以增强SPI的早期检测和有针对性的干预措施.
• 基于ML的风险分层对个性化预防和在手术环境中改善患者安全具有重大潜力.