Modello di apprendimento automatico per prevedere l'insufficienza respiratoria postoperatoria

È noto che le complicanze polmonari postoperatorie aumentano la durata della degenza ospedaliera e i costi sanitari. Una delle forme più gravi di queste complicanze è l'insufficienza respiratoria postoperatoria, che è anche associata a morbilità e mortalità. Sono stati sviluppati molti modelli di stratificazione del rischio per identificare i pazienti a maggior rischio di insufficienza respiratoria postoperatoria. Tuttavia, questi modelli sono stati costruiti utilizzando un'analisi di regressione logistica tradizionale. Un'analisi di regressione logistica presentava degli svantaggi nell'assumere la relazione tra variabili dipendenti e indipendenti come lineare. I recenti progressi nell'intelligenza artificiale consentono di gestire e analizzare i big data. Il modello di previsione che utilizza una tecnica di apprendimento automatico e dati su larga scala può migliorare l'accuratezza delle prestazioni di previsione rispetto a quelle dei modelli precedenti che utilizzano statistiche tradizionali. Inoltre, una tecnica di apprendimento automatico può essere un utile strumento adiuvante nel prendere decisioni cliniche o previsioni in tempo reale se è integrata nel sistema sanitario. Tuttavia, a nostra conoscenza, non esisteva uno studio che indagasse i fattori predittivi dell'insufficienza respiratoria postoperatoria utilizzando un approccio di apprendimento automatico. Pertanto, l'obiettivo principale di questo studio è sviluppare un modello di apprendimento automatico che preveda l'insufficienza respiratoria postoperatoria entro 7 giorni postoperatori utilizzando cartelle cliniche elettroniche preoperatorie e intraoperatorie locali, non codici amministrativi e valutarne le prestazioni in modo prospettico.