在选择性手术患者中预测手术内输血的最佳模型:对八种机器学习方法的比较研究
Min Li1, Jialing Lin1, Hui Du1
1Department of Blood Transfusion Medicine, Sichuan Tianfu New Area People's Hospital, Chengdu, Sichuan ProvinceChina.
Blood transfusion = Trasfusione del sangue
|November 3, 2025
概括
随机森林模型在预测选择性外科手术中的手术内输血方面表现出色. 这种机器学习方法优化了输血策略,改善了患者的治疗结果并降低了风险.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 手术结果研究研究.
背景情况:
- 预测手术内输血对于选择性手术中的患者安全至关重要.
- 目前用于预测输血需求的方法可能缺乏准确性和效率.
- 优化输血策略可以减少不良事件并改善手术结果.
研究的目的:
- 系统评估八种机器学习算法,用于预测手术内输血需求.
- 为了确定这个预测任务最准确和最可靠的模型.
- 为优化输血策略提供数据驱动工具.
主要方法:
- 分析了1,017名选择性手术患者的回顾性队列.
- 从人口统计,手术前和手术内数据中选择了20个重要变量.
- 通过使用ROC-AUC和PR-AUC训练和评估了八种机器学习模型 (RF,GLM,SVM,GBM,KNN,NNet,LASSO,DT).
主要成果:
- 随机森林 (RF) 模型在训练 (AUC=1.000) 和测试 (AUC=0.992) 组中都表现出卓越的性能.
- 射频实现了高精度回忆 (AUC-PR=0.988) 和最小的残留值.
- 确定的主要预测因素包括手术前的血红蛋白,估计的血液损失和凝血标志物.
结论:
- 随机森林模型是预测手术内输血的最可靠模型.
- 射频为输血预测提供了高准确性和临床解释性.
- 这项研究有助于优化输血策略,减少手术中的不良结果.
