手术中的人工智能重新审视:2025年关于机器学习的更新,用于预测并发症和结果
David Limon1, Varsha Satish2, Niruktha Raghavan1
1Department of Surgery, University of Texas Health Science Center, San Antonio, TX, USA.
The American surgeon
|October 30, 2025
概括
机器学习 (ML) 是一种人工智能,通过分析复杂的数据来改善外科风险预测. 虽然强大,但ML需要仔细验证和透明的方法才能成功临床使用.
科学领域:
- 人工智能的人工智能
- 手术结果研究研究.
- 医疗信息学 医疗信息学
背景情况:
- 机器学习 (ML) 为预测手术并发症和结果提供了先进的功能.
- 机器学习模型可以识别数据中的复杂,非线性关系,优于传统的统计方法.
- 目前的ML工具在各种外科领域都显示出前景,超过了传统的风险评估模型.
研究的目的:
- 审查机器学习在外科预后中的变革潜力.
- 突出ML在预测外科手术结果方面的优势,而不是传统的统计方法.
- 讨论将ML纳入临床外科实践的挑战和考虑.
主要方法:
- 审查新兴的机器学习应用程序在外科手术预测结果.
- 分析ML在患者数据中建模复杂,非线性关系的能力.
- 检查诸如模型透明度,外部验证和罕见事件建模等挑战.
主要成果:
- 基于ML的工具在预测外科手术风险方面表现强,经常超过传统模型.
- 关键的挑战包括"黑子"输出,外部验证的性能下降,以及罕见事件的困难.
- 成功的整合需要严格的验证,透明度,并解决外科医生对方法的考虑.
结论:
- 机器学习显著提高了手术风险预测的精度.
- 机器学习可以指导患者选择,优化术后护理,改善共享决策.
- 解决ML的局限性对于其有效和可重复的临床实施至关重要.
