노인 수술 환자의 다중 감염에 대한 기계 학습 예측

배경:

수술 후 감염은 특히 노인 환자의 경우 수술 전후 결과가 좋지 않은 주요 원인입니다. 감염의 다양한 진단 방법을 고려할 때, 그러한 합병증이 발생할 위험이 높은 사람들을 식별하기 위한 예측 도구의 사용에는 상당한 격차가 있습니다.

목적:

우리는 노인 환자의 다양한 수술 후 감염 위험을 예측하고 조기 발견 및 개입을 촉진하기 위한 기계 학습 모델을 개발하는 것을 목표로 했습니다.

행동 양식:

2014년 1월부터 2019년 8월 사이에 중국 PLA 종합병원 제1의료센터에서 비심장 수술을 받은 노인 환자 42,540명을 대상으로 후향적 분석을 실시하여 훈련 세트를 구성했습니다. 이 중 30% 하위 집합이 테스트 세트로 무작위로 지정되었습니다. 모델에는 주요 감염 관련 요인을 포함한 51개의 변수가 포함되었습니다. 유럽 ​​수술 전후 임상 결과(EPCO) 정의에 따라 분류된 전체 및 특정 수술 후 감염에 대한 예측 모델을 개발하기 위해 세 가지 기계 학습 기술인 로지스틱 회귀(LR), 랜덤 포레스트(RF) 및 그래디언트 부스팅 머신(GBM)이 활용되었습니다. . 모델 성능은 ROC(수신기 작동 특성) 곡선 아래 면적(AUC), 정확도 및 정밀도와 같은 측정항목을 통해 측정되었습니다. 모델 해석성을 향상시키기 위해 RF 모델의 VIMP(Variable Importance) 및 SHAP(Shapley Additive Descriptions) 알고리즘을 사용했습니다. 특정 감염 유형에 대한 입증 가능한 예측을 위해 무작위로 선택된 5명의 환자의 데이터를 모델에 입력하고 결과 확률을 레이더 ​​차트에 표시했습니다.