机器学习算法的开发和内部验证,以预测剖腹产患者的30天再入院:全国范围的分析

科学领域:

• 产科和妇科 产科和妇科
• 手术结果研究研究.
• 医疗信息学 医疗信息学

背景情况:

• 剖腹产 (C-section) 是一个常见的手术手术.
• 剖腹产与30天产后再入院的风险更高.
• 预测这些再入院对于患者护理和医疗保健效率至关重要.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测剖腹产后30天的产后再入院.
• 通过使用大规模的全国性数据集,识别重新接收的关键预测因素.
• 在这个预测任务中评估不同ML算法的性能.

主要方法:

• 全国外科质量改进项目 (2012-2022) 数据库的回顾性分析.
• 包括54,593名接受了剖腹产的患者.
• 开发和比较随机森林 (RF),极端梯度提升 (XGBoost) 和后勤回归 (LR) 模型,使用人口统计,手术前和术后数据.

主要成果:

• 总共有1306名 (2.39%) 患者在30天内重新入院.
• 重新入院的患者显示,非洲裔美国人种族,糖尿病和高血压的患病率更高 (p < 0.001).
• 射频模型表现出最高的性能 (AUC = 0.737),仅在手术前的射频模型实现了83.14%的灵敏度. 关键预测因素包括年龄,BMI,手术时间,白细胞计数和血红素.

结论:

• 机器学习模型在预测剖腹产再录取方面非常有效.
• 早期识别高风险患者是可行的使用ML.
• 这些预测能力可以指导干预措施,以改善患者的治疗结果并减少医疗保健支出.