基于机器学习的预测显著的手术内流血,以指导在脊柱手术中的风险适应的血液管理决策

科学领域:

• 手术瘤学手术瘤学
• 机器学习在医学中的应用
• 患者血液管理患者血液管理

背景情况:

• 在脊柱手术期间大量流血是常见的,导致输血需求增加和患者的治疗结果较差.
• 目前的手术前风险分层工具和个性化血液管理策略是不够的.
• 在脊柱手术中预测和减轻手术期间流血仍然是一个关键的临床挑战.

研究的目的:

• 开发和验证一种机器学习模型,用于预测脊柱外科手术中的重大手术内流血损失.
• 用Cell Saver来评估风险适应的血液管理策略的临床益处,以预测模型为指导.

主要方法:

• 在3944名脊柱手术患者的数据上训练了26个机器学习算法.
• 使用Shapley增量解释识别了关键预测因子,以创建简化的模型.
• 在843名患者中外部验证了最佳模型,并使用决策曲线和线分析评估了Cell Saver的益处.

主要成果:

• 一个12个变量模型在测试和外部验证队列中实现了高预测精度 (AUC 0.814-0.820).
• 与风险相适应的Cell Saver策略显示,与当前实践相比,其临床净益更大.
• 随着预测的外科手术失血风险,Cell Saver的益处增加,在高风险患者中改善血红蛋白和减少输血量.

结论:

• 一个具有12个变量的机器学习模型准确地预测了脊髓手术患者的显著失血风险.
• 实施风险适应的Cell Saver策略,以此模型为基础,可以提高临床结果.
• 与基于经验的血液管理策略相比,这种方法提供了优越的临床净益处.