Machine Learning-model om postoperatieve respiratoire insufficiëntie te voorspellen

Het is bekend dat postoperatieve longcomplicaties de duur van het ziekenhuisverblijf en de zorgkosten verhogen. Een van de ernstigste vormen van deze complicaties is postoperatieve respiratoire insufficiëntie, die ook gepaard gaat met morbiditeit en mortaliteit. Er zijn veel risicostratificatiemodellen ontwikkeld om patiënten te identificeren met een verhoogd risico op postoperatieve respiratoire insufficiëntie. Deze modellen zijn echter gebouwd met behulp van een traditionele logistische regressieanalyse. Een logistische regressieanalyse had de nadelen dat de relatie tussen afhankelijke en onafhankelijke variabelen als lineair werd aangenomen. Recente ontwikkelingen op het gebied van kunstmatige intelligentie maken het mogelijk om big data te beheren en te analyseren. Voorspellingsmodellen die gebruik maken van een machine learning-techniek en grootschalige gegevens kunnen de nauwkeurigheid van de voorspellingsprestaties verbeteren dan die van eerdere modellen die traditionele statistieken gebruiken. Bovendien kan een techniek voor machinaal leren een nuttig hulpmiddel zijn bij het nemen van klinische beslissingen of real-time voorspelling als deze is geïntegreerd in het gezondheidszorgsysteem. Voor zover wij weten, was er echter geen onderzoek naar de voorspellende factoren van postoperatieve respiratoire insufficiëntie met behulp van een machine-learningbenadering. Daarom is het hoofddoel van deze studie het ontwikkelen van een machine learning-model dat postoperatieve respiratoire insufficiëntie binnen 7 postoperatieve dagen voorspelt met behulp van real-world, lokale preoperatieve en intraoperatieve elektronische medische dossiers, geen administratieve codes, en de prestaties prospectief evalueren.