Machine-Learning-Modell zur Vorhersage postoperativer Ateminsuffizienz

Es ist bekannt, dass postoperative pulmonale Komplikationen die Dauer des Krankenhausaufenthalts und die Gesundheitskosten erhöhen. Eine der schwerwiegendsten Formen dieser Komplikationen ist die postoperative Ateminsuffizienz, die auch mit Morbidität und Mortalität verbunden ist. Es wurden viele Risikostratifizierungsmodelle entwickelt, um Patienten mit erhöhtem Risiko für postoperative Ateminsuffizienz zu identifizieren. Diese Modelle wurden jedoch unter Verwendung einer traditionellen logistischen Regressionsanalyse erstellt. Eine logistische Regressionsanalyse hatte den Nachteil, dass die Beziehung zwischen abhängigen und unabhängigen Variablen als linear angenommen wurde. Die jüngsten Fortschritte in der künstlichen Intelligenz ermöglichen die Verwaltung und Analyse von Big Data. Ein Vorhersagemodell, das eine Technik des maschinellen Lernens und umfangreiche Daten verwendet, kann die Genauigkeit der Vorhersageleistung im Vergleich zu früheren Modellen verbessern, die herkömmliche Statistiken verwenden. Darüber hinaus kann eine Technik des maschinellen Lernens ein nützliches Hilfsmittel beim Treffen klinischer Entscheidungen oder der Echtzeitvorhersage sein, wenn sie in das Gesundheitssystem integriert ist. Unseres Wissens gab es jedoch keine Studie, die die prädiktiven Faktoren einer postoperativen Ateminsuffizienz mit einem maschinellen Lernansatz untersuchte. Daher ist das Hauptziel dieser Studie die Entwicklung eines maschinellen Lernmodells, das eine postoperative Ateminsuffizienz innerhalb von 7 postoperativen Tagen unter Verwendung realer, lokaler präoperativer und intraoperativer elektronischer Patientenakten und nicht von Verwaltungscodes vorhersagt und seine Leistung prospektiv bewertet.