在接受结肠手术的患者中进行手术部位感染的机器学习增强监测:模型开发和评估研究
Ugur Celik1, Feifan Liu2, Kimiyoshi Kobayashi2,3,4
1Center for Clinical and Translational Sciences, University of Massachusetts Chan Medical School, Worcester, MA, United States.
JMIR formative research
|October 1, 2025
概括
机器学习模型可以通过在结肠手术后识别高风险患者来改善手术部位感染 (SSI) 监测. XGBoost 模型表现出强的性能,有助于感染控制工作.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 感染控制 感染控制
背景情况:
- 手术部位感染 (SSI) 是一个主要的医疗相关感染,增加了患者的发病率和医疗成本.
- 有效的监测对于及时干预和预防SSI至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以加强SSI监测后结肠手术.
- 优先考虑高风险患者,以提高感染控制效率.
主要方法:
- 对1508名结肠外科手术患者 (2018-2023) 的回顾性研究.
- 利用了78个结构化变量和2个来自临床笔记的自然语言处理衍生特征.
- 训练后勤回归,随机森林和XGBoost模型,解决阶级不平衡问题.
主要成果:
- XGBoost模型实现了0.788的AUC,其中关键预测因素包括恢复时间和SSI关键字频率.
- 随机森林显示了完美的精度 (100%),但回忆率较低 (23%).
- 自然语言处理特征被列为前十大预测因素之一,突出显示了非结构化数据的价值.
结论:
- 通过识别有风险的患者,ML模型有效地增强了传统的SSI监测.
- XGBoost模型为临床工作流提供了一个实用的工具,平衡性能和校准.
- 整合结构化和非结构化EHR数据可以提高模型准确性,以有效控制感染.
