在胃切除术中推进术后死亡率预测:使用NSQIP数据的机器学习方法.

科学领域:

• 手术瘤学手术瘤学
• 医疗信息学 医疗信息学
• 预测分析 (Predictive Analytics) 是一种分析方法.

背景情况:

• 精确预测胃切除术后的死亡风险对于优化手术管理和改善患者结果至关重要.
• 开发强大的预测模型可以帮助胃切除术患者的临床决策.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测胃切除术后的30天术后死亡率.
• 确定接受胃切除术的患者死亡率的关键预测因素.

主要方法:

• 利用NSQIP参与者使用数据文件 (2017-2022) 开发随机森林,梯度增强树和XGBoost模型.
• 在综合数据 (模型C) 上训练的ML模型与现有的风险计算器变量 (模型L) 相比较.
• 通过使用接收器操作特征曲线下的面积评估模型性能,并使用SHapley添加式扩展计算确定了预测因素.

主要成果:

• XGBoost模型在综合 (模型C) 和有限 (模型L) 数据集中显示了30天死亡率的最高预测性能.
• 所有开发的ML模型都在预测死亡率方面表现优于简单的后勤回归.
• 手术前血液尿素和患者年龄被确定为30天死亡率最重要的预测因素.

结论:

• XGBoost模型为胃切除术患者的30天术后死亡率提供了卓越的预测准确性.
• 手术前的实验室值,特别是血液尿素和年龄是影响死亡风险的关键因素.
• 将基于ML的预测模型集成到临床实践中可以增强外科手术期间的决策,并改善胃切除术患者的结果.