使用机器学习预测全身麻醉后延迟输出在麻醉后护理室患者:模型开发研究

科学领域:

• 麻醉学和外科手术期间的医学.
• 医疗保健中的人工智能
• 临床信息学 临床信息学

背景情况:

• 延迟输出管术后的全身麻醉与增加的并发症,延长的住院时间和更高的死亡率有关.
• 延迟输出管的当前风险评估方法通常依赖于主观的临床判断或基本工具.
• 机器学习 (ML) 为实时风险评估提供了机会,但使用单个算法模型的研究是有限的.

研究的目的:

• 在接受全身麻醉的患者中,确定与延迟输出管相关的关键风险因素.
• 开发和验证一个强大的基于ML的预测模型来预测延迟的输出.

主要方法:

• 利用了4779名麻醉后护理单位患者的数据 (2023年9月至2024年5月).
• 开发了六个ML模型:k-最近的邻居,决策树,极端梯度增强 (XGBoost),随机森林,光梯度增强机器和人工神经网络.
• 使用AUC,灵敏度,特异性,精度,F1分数,布里尔分数和校准曲线评估模型性能;霍斯默-莱梅斯霍夫测试评估了适合性.

主要成果:

• XGBoost 模型以0.750 (95% CI 0.703-0.796) 的曲线下的面积 (AUC) 实现了最高的性能.
• 获得了0.734 (95% CI 0.635-0.827) 的灵敏度和0.647 (95% CI 0.623-0.673) 的特异性.
• 模型校准是可以接受的 (布赖尔得分:0.0505) 并且很适合 (霍斯默-莱梅斯霍测试:P=.287).

结论:

• 开发的ML模型有效地识别了患有延迟输出风险的患者.
• 这些模型支持个性化的临床决策,并优化了麻醉后护理单位的资源配置.
• 促进主动管理,以减轻与延迟输出管相关的并发症.