Useiden infektioiden koneoppimisennuste iäkkäillä kirurgisilla potilailla

Taustat:

Leikkauksen jälkeiset infektiot ovat yleisin haitallisten perioperatiivisten tulosten aiheuttaja erityisesti iäkkäillä potilailla. Ottaen huomioon infektioiden erilaiset diagnostiset esitykset, ennakointityökalujen käytössä on merkittävä aukko sellaisten henkilöiden tunnistamiseksi, joilla on suuri riski saada tällaisia ​​komplikaatioita.

Tavoite:

Pyrimme kehittämään koneoppimismalleja, jotka ennustavat erilaisia ​​leikkauksen jälkeisiä infektioriskejä iäkkäille potilaille, mikä helpottaa varhaista havaitsemista ja interventiota.

Menetelmät:

Retrospektiivinen analyysi tehtiin 42 540 iäkkäälle potilaalle, joille tehtiin ei-sydänleikkaus Kiinan PLA-yleissairaalan ensimmäisessä lääketieteellisessä keskuksessa tammikuun 2014 ja elokuun 2019 välisenä aikana, mikä muodosti koulutussarjan. Tästä 30 %:n osajoukko nimettiin satunnaisesti testijoukoksi. Mallit sisälsivät 51 muuttujaa, mukaan lukien keskeiset infektioihin liittyvät tekijät. Kolmea koneoppimistekniikkaa - Logistic Regression (LR), Random Forest (RF) ja Gradient Boosting Machines (GBM) - käytettiin ennustemallien kehittämiseen yleisille ja spesifisille postoperatiivisille infektioille, jotka on luokiteltu EPCO (European Perioperative Clinical Outcome) -määritelmien mukaan. . Mallin suorituskykyä mitattiin sellaisilla mittareilla kuin vastaanottimen toimintaominaisuuskäyrän (ROC) alla oleva alue (AUC), tarkkuus ja tarkkuus. Mallin tulkittavuuden parantamiseksi käytimme RF-mallin Variable Importance (VIMP) ja Shapley Additive Explanations (SHAP) -algoritmia. Tiettyjen infektiotyyppien osoittavaa ennustamista varten malliin syötettiin satunnaisesti valitun 5 potilaan tiedot siten, että tuloksena olevat todennäköisyydet on kuvattu tutkakaaviossa.