腹腔镜手术中低温风险的可解释性预测:使用机器学习的回顾性横截面研究
Wenyu Su1, Xiaoli Wang1,2, Huiyu Jia1
1School of Public Health, Shandong Second Medical University, Weifang, 261053, Shandong, China.
BMC surgery
|October 4, 2025
概括
这项研究开发了一种XGBoost模型,用于预测腹腔镜手术中低温风险,确定操作室温度和CO2量等关键因素. 这个工具有助于临床决策,为更安全的患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
- 医疗保健中的机器学习
背景情况:
- 低温是腹腔镜手术期间的一个重大风险.
- 准确预测低温风险对于患者安全至关重要.
- 现有的预测模型可能缺乏解释性或效率.
研究的目的:
- 开发和比较机器学习模型,用于预测腹腔镜外科手术中低温风险.
- 确定导致低温的关键风险因素.
- 对临床决策支持中表现最好的模型进行可解释性分析.
主要方法:
- 利用了来自1030名接受腹腔镜手术的患者的数据.
- 雇佣了最小绝对收缩和选择操作员 (LASSO) 进行特征选择.
- 评估了五种机器学习模型:逻辑回归,决策树,随机森林,支持矢量机器和极端梯度增强 (XGBoost).
- 使用Shapley添加式解释 (SHAP) 进行了可解释性分析.
主要成果:
- 拉索确定了9个风险因素,包括BMI,ASA分类,液体体积,CO2体积,血液损失,环境温度,酒精消耗和手术类型.
- XGBoost模型表现出卓越的性能,精度为0.762和AUC为0.835.
- SHAP分析强调了手术室温度,冲洗液体,二氧化碳量和血液损失是低温风险最有影响的因素.
结论:
- 一个高效和可解释的XGBoost模型被开发用于预测腹腔镜手术中低温风险.
- 该模型为临床医生提供了有价值的决策支持.
- 这有助于在手术环境中提供个性化的患者护理.
