开发和外部验证一个基于机器学习的风险评分在后巴里亚特泄漏管理中对支架结果的风险评分: "亚历山大-巴里-支架"工具

科学领域:

• 医学中的人工智能
• 腹腔外科手术的结果
• 支架植入的并发症 支架植入的并发症

背景情况:

• 没有现有的模型可以预测代谢后和减肥手术 (MBS) 泄漏的支架结果.
• 开发了一个基于人工智能的模型来预测MBS后支架失败.

研究的目的:

• 开发和验证人工智能模型,以预测MBS后的支架失败.
• 为MBS后的支架漏洞创建一个风险评分系统.

主要方法:

• 使用来自两个中心 (N=250和N=150) 的前性维护数据库进行开发和验证.
• 测试了11个机器学习算法,选择了拉索逻辑回归.
• 推导出基于点的风险评分系统,并进行外部验证,校准和决策曲线分析.

主要成果:

• 人工智能模型表现出极好的区分能力,AUC为0.85.
• 确定了包括阻塞性睡眠呼吸暂停,高血压,糖尿病和体重指数在内的关键预测因素.
• 风险评分系统显示高准确度,负预测值为90.6%,用于排除支架失败.

结论:

• 人工智能模型 (亚历山大-巴里-支架) 准确预测MBS后支架失败.
• 该模型在排除支架失败方面特别有效,有助于安抚低风险患者.
• 强调患者的整体和代谢健康对支架结果的重要性,倡导采用整体方法.