Bayesian Networks in Pediatric Cardiac Surgery

Pædiatrisk hjertekirurgi med kardiopulmonal bypass er forbundet med betydelig morbiditet og dødelighed. Også scoresystemer for risikofaktorer, såsom risikojustering for medfødt hjertekirurgi (RACHS 1) score eller ARISTOTLE score, er blevet udviklet, resultatforudsigelse er stadig vanskelig. Nye matematiske metoder ved hjælp af dybe neurale netværk forbundet med Bayesianske statistiske metoder er blevet udviklet for at give en bedre forståelse af den komplekse interaktion mellem forskellige risikofaktorer, for at identificere risikofaktorer og gruppere dem i relaterede familier. Denne metode er med succes blevet brugt til at forudsige dødelighed hos dialysepatienter samt til bedre at beskrive komplekse psykiatriske syndromer.

Den primære hypotese for denne undersøgelse er, at brugen af ​​disse værktøjer vil give en bedre forståelse af de faktorer, der påvirker resultatet efter pædiatrisk hjertekirurgi.

En netværksanalyse ved hjælp af Gaussiske grafiske modeller, blandede grafiske modeller og Bayesianske netværk vil blive brugt til at identificere enkelte eller grupper af risikofaktorer for morbiditet og dødelighed efter pædiatrisk hjertekirurgi under kardiopulmonal bypass.