Vorhersage mehrerer Infektionen durch maschinelles Lernen bei älteren chirurgischen Patienten

Hintergründe:

Postoperative Infektionen sind eine der Hauptursachen für ungünstige perioperative Ergebnisse, insbesondere bei älteren Patienten. Angesichts der vielfältigen diagnostischen Erscheinungsformen einer Infektion besteht eine erhebliche Lücke bei der Verwendung prädiktiver Instrumente zur Identifizierung von Personen mit einem hohen Risiko für die Entwicklung solcher Komplikationen.

Objektiv:

Unser Ziel war es, Modelle für maschinelles Lernen zu entwickeln, um verschiedene postoperative Infektionsrisiken bei älteren Patienten vorherzusagen und so die Früherkennung und Intervention zu erleichtern.

Methoden:

Eine retrospektive Analyse wurde an 42.540 älteren Patienten durchgeführt, die sich zwischen Januar 2014 und August 2019 im First Medical Center des chinesischen PLA General Hospital einer nichtkardialen Operation unterzogen hatten, und bildete den Trainingssatz. Davon wurde eine Teilmenge von 30 % nach dem Zufallsprinzip als Testmenge bestimmt. Die Modelle umfassten 51 Variablen, darunter wichtige infektionsbezogene Faktoren. Drei Techniken des maschinellen Lernens – Logistic Regression (LR), Random Forest (RF) und Gradient Boosting Machines (GBM) – wurden verwendet, um Vorhersagemodelle für allgemeine und spezifische postoperative Infektionen zu entwickeln, kategorisiert nach den Definitionen des European Perioperative Clinical Outcome (EPCO). . Die Modellleistung wurde anhand von Metriken wie der Fläche unter der Receiver Operating Characteristic (ROC)-Kurve (AUC), Genauigkeit und Präzision gemessen. Um die Interpretierbarkeit des Modells zu verbessern, verwendeten wir den Algorithmus Variable Importance (VIMP) und Shapley Additive Explanations (SHAP) des RF-Modells. Für eine nachweisbare Vorhersage spezifischer Infektionstypen wurden Daten von zufällig ausgewählten 5 Patienten in das Modell eingespeist und die resultierenden Wahrscheinlichkeiten in einem Radardiagramm dargestellt.