从外科手术数据预测术后住院时间的域识别可解释机器学习模型:一项回顾性观察队列研究

科学领域:

• 医疗信息学 医疗信息学
• 手术结果研究研究.
• 医疗保健中的机器学习

背景情况:

• 手术后住院时间 (LOS) 是手术恢复和资源利用的关键指标.
• 由于患者的康复模式多样化,预测LOS具有挑战性.
• 准确的LOS预测可以优化医院资源配置和患者护理计划.

研究的目的:

• 开发和验证可解释的机器学习框架,用于预测术后的LOS.
• 集成多式联络周围手术数据,以提高预测准确度.
• 确定长时间住院的关键临床驱动因素.

主要方法:

• 利用了从外科外科注册处获得的97,937例成年手术病例的大数据集.
• 采用了监督回归模型,包括人口统计学,并发病,实验室值,手术内生理学和手术细节.
• 使用内部交叉验证和独立的持久集验证模型,评估队列和个人表现.

主要成果:

• 该模型表现出强大的预测性能,R2=0.61和MAE≈1.34天.
• LOS的关键预测因素包括手术持续时间,诊断复杂性,手术内血动力学变化,以及手术前的白蛋白和血红素水平.
• 长时间住院与复杂的程序,特定的诊断 (恶性,呼吸道) 和较低的白蛋白水平有关.

结论:

• 可解释机器学习提供了准确和可概括的LOS预测.
• 该框架揭示了对影响康复的因素的可操作的术后洞察力.
• 这种方法支持有效的术后规划,资源管理和个性化的患者康复策略.