Maskinlæringsmodel til at forudsige postoperativ respirationssvigt

Postoperative lungekomplikationer er kendt for at øge længden af ​​hospitalsophold og sundhedsudgifter. En af de mest alvorlige former for disse komplikationer er postoperativ respirationssvigt, som også er forbundet med morbiditet og dødelighed. Der er udviklet en masse risikostratifikationsmodeller til at identificere patienter med øget risiko for postoperativ respirationssvigt. Disse modeller blev dog bygget ved at bruge en traditionel logistisk regressionsanalyse. En logistisk regressionsanalyse havde ulemper ved at antage sammenhængen mellem afhængige og uafhængige variable som lineær. Nylige fremskridt inden for kunstig intelligens gør det muligt at administrere og analysere big data. Forudsigelsesmodel ved hjælp af en maskinlæringsteknik og data i stor skala kan forbedre nøjagtigheden af ​​forudsigelsesydelsen end tidligere modeller, der bruger traditionel statistik. Desuden kan en maskinlæringsteknik være et nyttigt hjælpeværktøj til at træffe kliniske beslutninger eller forudsigelse i realtid, hvis den er integreret i sundhedssystemet. Men så vidt vi ved, var der ingen undersøgelse, der undersøgte de prædiktive faktorer ved postoperativ respirationssvigt ved hjælp af en maskinlæringstilgang. Derfor er hovedformålet med denne undersøgelse at udvikle en maskinlæringsmodel, der forudsiger postoperativ respirationssvigt inden for 7 postoperative dage ved hjælp af en real-world, lokale præoperative og intraoperative elektroniske sundhedsjournal, ikke administrative koder, og evaluere dens ydeevne prospektivt.