基于超声波的机器学习预测胃体积模型的开发和验证:一个多中心研究

科学领域:

• 麻醉学 麻醉学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 胃部的吸收是麻醉期间的一个关键风险.
• 准确预测胃体积对于患者风险分层和吸血预防至关重要.
• 当前的预测方法可能缺乏精度.

研究的目的:

• 开发和验证用于预测胃体积的机器学习 (ML) 模型.
• 将ML模型的性能与传统的Perlas模型进行比较.
• 通过改善胃体积估计来提高患者安全.

主要方法:

• 一项多中心,横截面研究,涉及成人患者在静脉麻醉下接受胃镜检查.
• 开发八个ML模型,使用年龄,右侧 (RLD) 截面积 (CSA) 和Perlas等级等特征,通过LASSO回归选择.
• 使用Bland-Altman分析和与Perlas模型进行比较的验证,包括外部验证.

主要成果:

• 与佩拉斯模型相比,ML模型在预测胃体积方面表现出更高的准确性 (平均偏差为-0.1至2.0毫升与23.5毫升).
• 预测中高胃体积 (AUC:0.74-0.77对0.63) 和高胃体积 (AUC:0.85-0.94对0.74) 的显著改善.
• 外部验证的模型显示出高预测性能 (高胃体积的AUC高达0.96).

结论:

• 一个基于ML的新型预测模型,包括年龄,RLD-CSA和Perlas等级,可以准确预测胃体积.
• 拟议的ML模型显著优于传统的Perlas模型.
• 这一进步为麻醉中改善了风险分层和志向预防策略.