相关实验视频
Updated: Jan 13, 2026

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
超越合规性:通过可解释的机器学习来解释患者风险,ERAS遵守和术后结果.
J Ripollés-Melchor1, Á V Espinosa2, A Abad-Motos3
1Department of Anaesthesia and Critical Care, Infanta Leonor University Hospital, Madrid, Spain; Complutense University of Madrid, Madrid, Spain; Fluid Therapy and Hemodynamic Monitoring Working Group, Spanish Society of Anaesthesia and Critical Care, Madrid, Spain.
手术后增强恢复 (ERAS) 协议显示了可变的坚持. 机器学习确定了患者的脆弱性和特定的ERAS项目作为并发症的关键预测因素,从而实现了量身定制的外科康复策略.
科学领域:
- 结肠直肠手术 结肠直肠手术
- 外科手术的结果
- 机器学习在医学中的应用
背景情况:
- 手术后增强恢复 (ERAS) 协议对于改善结直肠手术的结果至关重要.
- 对ERAS协议的可变遵守和患者特定的风险因素可能会影响外科手术的结果.
- 传统的合规指标缺乏细节性,无法分析ERAS遵守和患者风险之间的相互作用.
研究的目的:
- 用可解释的机器学习量化ERAS单个组件和临床因素对术后并发症的影响.
- 根据ERAS的遵守和临床特征来识别不同的患者表型.
- 开发数据驱动的洞察力,以优化结直肠外科手术中的ERAS战略.
主要方法:
- 潜在的EuroPOWER队列 (NCT04889798) 的二次分析,涉及2841名接受选择性结直肠手术的成年患者.
- 开发和解释两种使用Shapley添加式解释 (SHAP) 预测医院内并发症的极端梯度增强模型.
- 从综合模型 (临床变量+ERAS项目) 中对SHAP矩阵进行集群,以获得患者表型.
主要成果:
- 综合模型显示出良好的预测性能 (AUC 0.627).
- 并发症的关键预测因素包括患者的脆弱性,ASA类,BMI和年龄,以及ERAS组件,如早期动员和营养护理.
- 确定了三种不同的患者表型 (强壮,中等,脆弱),并发症率各不相同 (17.7%至41.1%).
结论:
- 遵守ERAS的有效性受到患者基线脆弱性和协议实施的影响.
- 基于SHAP的模型提供透明的风险评估,并允许识别患者的表型.
- 这些发现支持开发个性化的ERAS策略和手术护理的自动化质量监测工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020