机器学习模型准确地预测在出现创伤后手术部位感染的拉皮切除术
Michael D Cobler-Lichter1, Jessica M Delamater1, Zoe M Weiss1
1Division of Trauma & Surgical Critical Care, DeWitt Daughtry Family Department of Surgery, Ryder Trauma Center, University of Miami Miller School of Medicine, Miami, Florida.
The Journal of surgical research
|November 29, 2025
概括
机器学习模型可以预测急诊腹腔切除术中创伤患者的手术部位感染. 这种方法可以识别高风险个体进行个性化护理,从而改善结果.
科学领域:
- 创伤外科 手术 创伤外科
- 机器学习应用 机器学习应用
- 感染控制 感染控制
背景情况:
- 某些患者群体存在手术部位感染 (SSI) 预测模型,但对于新出现的创伤腹腔切除术没有.
- 机器学习 (ML) 可能可以通过从患者病历中提取的术后数据来识别SSI风险.
研究的目的:
- 开发和验证ML模型,用于预测新出现的创伤腹腔切除术后的住院SSI.
- 为了确定与此群体中SSI风险相关的关键外科手术前变量.
主要方法:
- 从美国外科医生学院创伤质量改进项目数据库 (2017-2021) 进行突发创伤腹腔切除术的患者的回顾性审查.
- 开发ML模型来预测复合,深度和器官空间SSI.
- 使用游戏理论方法来确定变量的重要性.
主要成果:
- 该研究分析了74,806名患者,总体SSI发病率为3.2%.
- 复合SSI预测模型实现了接收器-运营商曲线 (AUC) 下的面积为0.805.5.
- 器官空间SSI模型 (AUC 0.832) 的表现优于深层SSI模型 (AUC 0.776). 关键预测因素包括设施SSI率,结肠直肠损伤,损伤数和PRBC输血量.
结论:
- ML模型可靠地预测在接受突发创伤腹腔切除术的患者中SSI风险.
- 这些模型可以集成到电子医疗记录中,以便在入院时自动识别风险.
- 个性化护理计划可以根据个体患者的风险概况制定.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
472
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.3K