手术机器学习模型用于预测在一般选择性手术中术后感染风险 (SMART):一个建模研究

科学领域:

• 医疗信息学 医疗信息学
• 手术瘤学手术瘤学
• 医疗保健中的机器学习

背景情况:

• 手术后感染是一种严重的手术并发症,现有的机器学习 (ML) 模型往往预测不佳.
• 以前用于感染预测的ML模型缺乏外科手术患者群体的代表性.
• 一种新的ML模型SMART被开发和验证,用于预测选择性一般腹部外科手术中的术后感染风险.

研究的目的:

• 开发和内部验证用于预测术后感染可能性的机器学习模型 (SMART).
• 提高在接受选择性一般腹部手术的患者感染风险预测的准确性.
• 确定可修改的预测因子,用于预防手术后感染的临床应用.

主要方法:

• 来自英国健康数据研究中心 (UKHDR) 急性护理中心 (PIONEER) 的2,716名选用整体外科患者的回顾性数据被利用.
• 预测者是使用集成的ML方法 (递归特征消除) 和专家输入来选择的.
• 开发并验证了一种组合模型,该模型结合了三个表现最好的算法,包括一个渐变增强分类器.

主要成果:

• 确定了19个预测因素,包括人口统计,并发症,微生物学数据 (例如,MDR感染) 和C反应性蛋白水平.
• 在内部验证过程中,整体模型实现了高性能:96.9%的灵敏度,74.1%的特异性,曲线下的面积 (AUC) 为0.86.
• 梯度提升分类器展示了最好的单个模型性能.

结论:

• 在预测选择性手术患者的术后感染方面,SMART模型表现出很高的性能.
• 该模型使用可修改的预测因子,促进了早期干预的临床应用.
• 进一步的外部验证对于成功的临床实施和降低抗菌素耐药性风险至关重要.