基于机器学习的诊断模型与手术部位感染的中文自然语言处理相结合:开发和验证

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 手术患者监测手术患者监测

背景情况:

• 手术部位感染 (SSI) 是一个重要的医疗相关并发症.
• 在临床实践中,早期发现SSI仍然是一个关键的挑战.
• 预测建模为主动SSI管理提供了一个潜在的解决方案.

研究的目的:

• 开发和验证用于预测中国手术患者SSI的机器学习 (ML) 模型.
• 用已确定的指标来评估模型的性能,例如AUC,灵敏度和特异性.
• 为SSI提供实时,自动化风险评估工具.

主要方法:

• 一项多中心队列研究,涉及中国118,314名手术患者.
• 利用临床,微生物学和人口统计数据进行模型开发.
• 应用和优化了多个ML算法,包括决策树,并进行了交叉验证.

主要成果:

• 决策树ML模型实现了高预测性能 (AUC 0.92开发,0.90验证).
• 在识别患有SSI风险的患者方面表现出强烈的敏感性和特异性.
• 模型的性能在各种患者子组中是一致的.

结论:

• 成功开发并外部验证了一种基于ML的SSI预测模型.
• 该模型表现出强大而稳定的性能,适合临床应用.
• 该工具可以通过自动化SSI风险评估来增强临床决策.