提高手术前风险分层:在脊髓转移手术中用于ICU入院的可解释机器学习模型

科学领域:

• 神经外科 神经外科
• 在瘤学瘤学.
• 数据科学数据科学数据科学

背景情况:

• 脊髓转移带来了重大的临床挑战,往往需要复杂的手术干预.
• 手术后重症监护室 (ICU) 的入院是转移性脊髓瘤手术后的一个主要问题.
• 预测计划外的ICU入院对于优化患者护理和资源配置至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测经过转移性脊髓瘤手术后30天的无计划ICU入院.
• 为了确定关键的临床特征与增加了ICU入院的风险.
• 为此预测任务比较各种ML算法的性能.

主要方法:

• 一项多中心研究涉及642名患有转移性脊髓疾病的患者.
• 来自525名患者的数据被用于模型衍生和内部验证,而117名患者的独立队列用于外部验证.
• 使用11个选定的临床特征训练了6个ML算法,使用AUC,准确性和Brier分数等指标评估性能.

主要成果:

• 在导出队列 (AUC:0.884) 和外部验证 (AUC:0.834) 中,KNN算法显示出优异的预测性能.
• 接受ICU治疗的患者表现出更高的并发症负担,炎症标志物升高和功能受损.
• 在外部验证中,KNN模型显示出明显更好的区分能力,而不是ANN模型 (P<0.001).

结论:

• 经过验证的ML模型,特别是KNN模型,可以有效地预测脊髓转移手术后的ICU入院情况.
• 该KNN模型显示了临床实施的强大潜力,以帮助风险分层和患者管理.
• 准确预测ICU入院的情况,可以改善手术结果和医疗资源利用率.