机器学习模型使用手术后CRP趋势来预测结肠直肠解剖学泄漏:试点研究

科学领域:

• 结肠直肠手术的结果
• 术后并发症预测和预测
• 在手术患者中的生物标志物分析.

背景情况:

• 肠道泄漏 (AL) 是结直肠切除后的一个关键并发症,导致患者显著的发病率.
• 目前依赖静态C-反应蛋白 (CRP) 值来预测AL有局限性.
• 新兴研究探讨了CRP轨迹 (随时间变化) 对AL的预测价值.

研究的目的:

• 评估机器学习 (ML) 模型,使用术后CRP值和轨迹数据来预测AL.
• 将ML模型的性能与传统的单变量CRP指标进行比较.
• 在早期术后风险分层中评估动态CRP分析的准确性.

主要方法:

• 选择性大肠切除的回顾性分析 (2020-2025年).
• 开发和验证后勤回归,拉索,随机森林 (RF) 和极端梯度增强 (XGB) 模型.
• 从术后1-3天使用的CRP水平 (绝对值,百分比变化,净差) 经过五次交叉验证.

主要成果:

• 整合绝对CRP值和百分比变化的XGB模型实现了最高的预测性能 (AUC 0.91).
• 结合CRP值和轨迹数据的ML模型优于仅使用绝对CRP值的模型.
• 与拉索回归相比,XGB和RF模型显示出更高的准确性和平衡的灵敏度/特异性.

结论:

• 利用动态CRP数据 (值和轨迹) 的机器学习模型显著提高了解剖学泄漏预测的准确性.
• 对CRP的动态数据驱动分析为结直肠手术患者提供了改善的早期术后风险分层.
• 进一步的多中心验证是有必要的,以确认这些基于ML的预测模型的概括性.