수술 중 및 수술 후 위험 예측 모델의 생성, 구현 및 검증

3단계 연구가 설계되었습니다:

1. 첫 번째 단계: Galdakao-Usansolo 병원(HGU), Urduliz 병원(HU), Basurto 대학 병원(HUB), Donostia 대학 병원(HGU)에서 수술을 받은 환자를 대상으로 한 전향적 코호트 연구를 통해 예측 모델의 도출 및 내부 검증( HUD), 아라바대학병원(HUA) 등을 모집할 예정이다. HUD(Hospital Universitario de Donostia) 및 HUA(Hospital Universitario de Araba)에서 XXX년 동안 데이터를 수집하며 수술 전 기간부터 수술에서 퇴원하는 달까지 데이터를 수집합니다. 이러한 모델을 식별하고 생성하기 위해 문헌에 설명되지 않은 변수를 식별하는 주요 목적으로 기계 학습 기술이 사용됩니다. 머신러닝은 인공지능의 가장 중요한 분야입니다. 머신러닝 내에서 지도 학습은 가장 널리 사용되는 영역입니다. 지도 학습을 통해 컴퓨터는 대량의 데이터에서 복잡한 패턴을 발견하고 활용하여 작업을 수행하는 방법을 학습할 수 있습니다. 전자 의료 기록 데이터의 특정 경우, 머신러닝 알고리즘을 통해 각 환자의 과거 데이터를 사용하여 컴퓨터가 개인화된 방식으로 미래 사건을 예측하는 방법을 학습할 수 있습니다.
2. 2단계: 2020년 동일한 센터에서 수술을 받은 환자 집단을 대상으로 1단계에서 생성된 모델의 외부 검증. Debray et al.이 제안한 방법론. 적용될 것이다.
3. 3단계: Galdakao-Usansolo 병원의 EHR에 'Action Guide' 형식으로 모델을 구현한 후 결과를 평가합니다. 이전 단계에서 수행된 위험 계층화를 기반으로 마취과에서는 위험 수준에 따라 조치에 대한 권장 사항을 만듭니다. 준실험적 개입 연구를 통해 사망률과 수술 중 및 수술 후 합병증의 비율을 비교하고, 위험 척도와 그에 따른 권고 사항을 시행할 한동대 병원의 시행 전후 결과를 비교하고, 이를 ASA 척도에 따라 일반적인 임상 관행을 따르는 HU, HUB, HUD 및 HUA에서 합병증이 발생하거나 사망하는 환자의 비율과 비교합니다. 위험 척도가 구현되면 이 잠재 코호트는 외부 검증(2020~2021)에도 사용됩니다.

사회 인구통계학적 및 임상적 변수(주요 진단, 동반 질환, 치료, 이전 개입, 수술 중 데이터, 수술 후 데이터, 입원 중 수행된 절차 및 퇴원 후 최대 1개월까지의 합병증) 및 실험실 매개변수가 수집됩니다.

이 정보는 osabide의 글로벌 데이터 활용 시스템인 Oracle Business Intelligence에서 추출되며, 실험실 데이터는 관련 센터의 임상 실험실 정보 시스템에서 추출됩니다.