机器学习模型的开发,验证和比较,用于使用NSQIP-P数据库预测儿科手术部位感染.

科学领域:

• 儿科手术 儿科手术
• 传染病流行病学 传染病流行病学
• 医疗信息学 医疗信息学

背景情况:

• 手术部位感染 (SSI) 显著增加了儿科术后发病率.
• 上升的SSI率与其在很大程度上可以预防的性质形成鲜明对比.
• 现有的SSI预测模型主要是为成年人群设计的,需要专门用于儿科的工具.

研究的目的:

• 开发,验证和比较用于预测儿科SSI风险的机器学习 (ML) 模型.
• 确定一个合适的ML模型,以便无地集成到临床工作流程中.
• 增强针对儿科患者的个性化风险评估和有针对性的感染预防策略.

主要方法:

• 来自NSQIP-P数据库 (2012-2022) 的110多万儿科病例的回顾性队列分析.
• 开发和比较五个ML模型:逻辑回归,随机森林,梯度增强树木,k-最近邻居和神经网络.
• 使用Brier分数,c统计和校准指标进行性能评估,并重新采样启动以获得置信区间.

主要成果:

• 所有开发的ML模型都在预测儿科SSI方面表现相似.
• 调节后勤回归表现出强大的预测准确性 (c-统计值0.77,布赖尔得分0.023) 并因其临床可行性而被选中.
• 关键的SSI风险预测因素包括程序代码,诊断,并发症,敏度标志物,实验室值和患者人口统计.

结论:

• 机器学习模型有效地预测使用手术前数据的儿科SSI风险.
• 拟议的规范化后勤回归模型是EHR集成的强有力的候选者,可实现个性化的SSI风险估计.
• 未来的工作包括外部验证和以用户为中心的实施研究,以促进临床采用.