机器学习方法用于预测部分关节整形手术中的手术内输血

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 部分关节整形术 (PHA) 带有显著血流的风险,特别是在患有并发症的老年患者中.
• 预测需要手术期间输血的需要对于患者的安全和有效的手术规划至关重要.
• 机器学习 (ML) 为预测输血需求提供了数据驱动的临床决策支持的潜力.

研究的目的:

• 评估各种ML算法在PHA期间预测手术内输血的有效性.
• 确定输血需求的关键手术前和手术内预测因素.
• 用SHAP分析评估ML模型的可解释性.

主要方法:

• 对202名PHA患者进行了回顾性队列研究.
• 训练并测试了六个ML算法:物流回归,决策树,SVM,ANN,随机森林和梯度提升.
• 使用精度,F1得分和AUC评估模型性能;使用SHAP进行解释性.

主要成果:

• 42.1%的患者接受了手术内输血.
• 关键预测因素包括手术前低血红蛋白,高ASA得分,延长手术时间,增加血液损失和升高的INR.
• 随机森林和决策树模型显示高精度 (95.1%) 和F1得分 (0.960); SVM实现了最高的AUC (0.992).
• SHAP分析强调血红蛋白,年龄,ASA得分,INR和手术时间是最有影响力的.

结论:

• 机器学习模型,特别是随机森林,决策树和SVM,有效地预测PHA的手术内输血需求.
• 可解释的人工智能 (SHAP) 提高了临床解释性,支持个性化患者管理.
• 这些发现支持将ML纳入临床决策支持系统,等待外部验证.