Gépi tanulási modell a posztoperatív légzési elégtelenség előrejelzésére

A posztoperatív tüdőszövődményekről ismert, hogy megnövelik a kórházi tartózkodás idejét és az egészségügyi ellátás költségeit. E szövődmények egyik legsúlyosabb formája a posztoperatív légzési elégtelenség, amely morbiditással és mortalitással is jár. Számos kockázati rétegződési modellt fejlesztettek ki a posztoperatív légzési elégtelenség fokozott kockázatának kitett betegek azonosítására. Ezek a modellek azonban hagyományos logisztikus regressziós elemzéssel készültek. A logisztikus regressziós elemzésnek hátrányai voltak, hogy a függő és független változók közötti kapcsolatot lineárisnak feltételezték. A mesterséges intelligencia legújabb fejlesztései lehetővé teszik a nagy adatok kezelését és elemzését. A gépi tanulási technikát és nagyméretű adatokat használó előrejelzési modell javíthatja az előrejelzési teljesítmény pontosságát, mint a hagyományos statisztikákat használó korábbi modellek. Ezenkívül a gépi tanulási technika hasznos segédeszköz lehet a klinikai döntések meghozatalában vagy a valós idejű előrejelzésben, ha integrálják az egészségügyi rendszerbe. Tudomásunk szerint azonban nem készült olyan tanulmány, amely gépi tanulási módszerrel vizsgálta volna a posztoperatív légzési elégtelenség prediktív tényezőit. Ezért ennek a tanulmánynak a fő célja egy olyan gépi tanulási modell kidolgozása, amely előrejelzi a posztoperatív légzési elégtelenséget 7 posztoperatív napon belül a valós, helyi preoperatív és intraoperatív elektronikus egészségügyi nyilvántartások, nem pedig adminisztratív kódok felhasználásával, és prospektív módon értékeli a teljesítményét.