Modèle d'apprentissage automatique pour prédire l'insuffisance respiratoire postopératoire

Les complications pulmonaires postopératoires sont connues pour augmenter la durée d'hospitalisation et le coût des soins de santé. L'une des formes les plus graves de ces complications est l'insuffisance respiratoire postopératoire, qui est également associée à la morbidité et à la mortalité. De nombreux modèles de stratification des risques ont été développés pour identifier les patients à risque accru d'insuffisance respiratoire postopératoire. Cependant, ces modèles ont été construits en utilisant une analyse de régression logistique traditionnelle. Une analyse de régression logistique présentait les inconvénients de supposer que la relation entre les variables dépendantes et indépendantes était linéaire. Les avancées récentes de l'intelligence artificielle permettent de gérer et d'analyser le Big Data. Un modèle de prédiction utilisant une technique d'apprentissage automatique et des données à grande échelle peut améliorer la précision des performances de prédiction par rapport à celles des modèles précédents utilisant des statistiques traditionnelles. De plus, une technique d'apprentissage automatique peut être un outil auxiliaire utile dans la prise de décisions cliniques ou la prédiction en temps réel si elle est intégrée au système de santé. Cependant, à notre connaissance, il n'y a pas eu d'étude portant sur les facteurs prédictifs de l'insuffisance respiratoire postopératoire en utilisant une approche d'apprentissage automatique. Par conséquent, l'objectif principal de cette étude est de développer un modèle d'apprentissage automatique qui prédit l'insuffisance respiratoire postopératoire dans les 7 jours postopératoires en utilisant des dossiers de santé électroniques préopératoires et peropératoires locaux réels, et non des codes administratifs, et d'évaluer ses performances de manière prospective.