Machine Learning-voorspelling van meerdere infecties bij oudere chirurgische patiënten

Achtergronden:

Postoperatieve infecties zijn een belangrijke oorzaak van ongunstige perioperatieve uitkomsten, vooral bij oudere patiënten. Gezien de gevarieerde diagnostische presentaties van infecties bestaat er een aanzienlijke kloof in het gebruik van voorspellende instrumenten om degenen te identificeren die een hoog risico lopen om dergelijke complicaties te ontwikkelen.

Objectief:

Ons doel was het ontwikkelen van machine learning-modellen om verschillende postoperatieve infectierisico's bij oudere patiënten te voorspellen, waardoor vroege detectie en interventie mogelijk worden.

Methoden:

Er werd een retrospectieve analyse uitgevoerd van 42.540 oudere patiënten die tussen januari 2014 en augustus 2019 een niet-cardiale operatie ondergingen in het Eerste Medische Centrum van het Chinese PLA General Hospital. Hieruit werd willekeurig een subset van 30% aangewezen als de testset. De modellen omvatten 51 variabelen, waaronder belangrijke infectiegerelateerde factoren. Drie machinale leertechnieken – Logistic Regression (LR), Random Forest (RF) en Gradient Boosting Machines (GBM) – werden gebruikt om voorspellende modellen te ontwikkelen voor algemene en specifieke postoperatieve infecties, gecategoriseerd volgens de definities van de European Perioperative Clinical Outcome (EPCO). . De prestaties van het model werden gemeten aan de hand van meetgegevens zoals de Area Under the Receiver Operating Characteristic (ROC) Curve (AUC), nauwkeurigheid en precisie. Om de interpreteerbaarheid van het model te verbeteren, hebben we het Variable Importance (VIMP) en Shapley Additive Explanations (SHAP) algoritme van het RF-model gebruikt. Voor een aantoonbare voorspelling van specifieke infectietypen werden gegevens van willekeurig geselecteerde vijf patiënten in het model ingevoerd, waarbij de resulterende kansen in een radardiagram werden weergegeven.