Prédiction par apprentissage automatique d'infections multiples chez les patients chirurgicaux âgés

Arrière-plans :

Les infections postopératoires sont l'une des principales causes d'issues périopératoires indésirables, en particulier chez les patients âgés. Compte tenu de la diversité des présentations diagnostiques de l’infection, il existe une lacune importante dans l’utilisation d’outils prédictifs pour identifier les personnes présentant un risque élevé de développer de telles complications.

Objectif:

Notre objectif était de développer des modèles d'apprentissage automatique pour prédire divers risques d'infection postopératoires chez les patients âgés, facilitant ainsi la détection et l'intervention précoces.

Méthodes :

Une analyse rétrospective a été menée sur 42 540 patients âgés ayant subi une chirurgie non cardiaque au premier centre médical de l’hôpital général chinois PLA entre janvier 2014 et août 2019, formant l’ensemble de formation. À partir de là, un sous-ensemble de 30 % a été désigné au hasard comme ensemble de test. Les modèles incorporaient 51 variables, dont des facteurs clés liés à l'infection. Trois techniques d'apprentissage automatique - régression logistique (LR), forêt aléatoire (RF) et machines d'amplification de gradient (GBM) - ont été utilisées pour développer des modèles prédictifs d'infections postopératoires globales et spécifiques, classées selon les définitions des résultats cliniques périopératoires européens (EPCO). . Les performances du modèle ont été évaluées par des mesures telles que la courbe des caractéristiques de fonctionnement du récepteur (ROC) (AUC), l'exactitude et la précision. Pour améliorer l'interprétabilité du modèle, nous avons utilisé l'algorithme d'importance variable (VIMP) et d'explications additives de Shapley (SHAP) du modèle RF. Pour une prédiction démontrable de types d'infection spécifiques, les données de 5 patients sélectionnés au hasard ont été introduites dans le modèle avec les probabilités résultantes représentées dans un graphique radar.