开发一种基于机器学习的预测模型,用于在全身麻醉下进行非心脏手术的脆弱老年患者的术后妄想

科学领域:

• 老年医学 老年医学
• 麻醉学 麻醉学
• 医疗保健中的人工智能

背景情况:

• 脆弱的老年人患术后妄想症 (POD) 的发病率很高,导致发病率增加和医疗费用增加.
• 准确的POD预测对于实施有针对性的预防策略和改善患者治疗结果至关重要.
• 机器学习为开发使用全面患者数据的预测模型提供了先进的技术.

研究的目的:

• 开发和验证一种机器学习模型,用于在接受非心脏手术的脆弱老年患者中预测POD.
• 确定POD的关键手术前和手术内预测因素.
• 评估开发的预测模型的临床实用性和性能.

主要方法:

• 招募了2089名虚弱患者 (≥65岁) 接受非心脏手术,全身麻醉.
• 提取了38个变量;使用多重归算 (MICE) 处理了缺失的数据.
• 训练并比较了八个机器学习模型 (XGBoost,后勤回归等). 使用Boruta和LASSO进行特征选择,ROC-AUC作为主要指标. 为了解释性,使用了SHAP分析.

主要成果:

• 在研究队列中,POD的发病率为16.52%.
• 使用Boruta和LASSO识别的15个关键预测因素,XGBoost模型实现了0.813的AUC,优于其他模型.
• SHAP分析强调了MMSE得分,查尔森并发症指数和年龄作为重要的预测因素. 外部验证证实了强大的性能,没有过度装配.

结论:

• 一个强大的基于XGBoost的模型有效地预测了在接受非心脏手术的脆弱老年患者中POD.
• 该模型展示了机器学习在该人群中临床风险分层的潜力.
• 该模型可以及时识别高风险患者进行干预,改善临床工作流程和患者护理.