Maskinlæringsmodell for å forutsi postoperativ respirasjonssvikt

Postoperative lungekomplikasjoner er kjent for å øke lengden på sykehusopphold og helsekostnader. En av de mest alvorlige formene for disse komplikasjonene er postoperativ respirasjonssvikt, som også er assosiert med sykelighet og dødelighet. Mange risikostratifiseringsmodeller er utviklet for å identifisere pasienter med økt risiko for postoperativ respirasjonssvikt. Disse modellene ble imidlertid bygget ved å bruke en tradisjonell logistisk regresjonsanalyse. En logistisk regresjonsanalyse hadde ulemper ved å anta forholdet mellom avhengige og uavhengige variabler som lineært. Nylige fremskritt innen kunstig intelligens gjør det mulig å administrere og analysere store data. Prediksjonsmodell som bruker en maskinlæringsteknikk og data i stor skala kan forbedre nøyaktigheten av prediksjonsytelsen enn tidligere modeller som bruker tradisjonell statistikk. Videre kan en maskinlæringsteknikk være et nyttig hjelpeverktøy for å ta kliniske beslutninger eller sanntidsprediksjon hvis den er integrert i helsevesenet. Så vidt vi vet, var det imidlertid ingen studie som undersøkte de prediktive faktorene ved postoperativ respirasjonssvikt ved bruk av en maskinlæringsmetode. Derfor er hovedmålet med denne studien å utvikle en maskinlæringsmodell som forutsier postoperativ respirasjonssvikt innen 7 postoperative dager ved å bruke en reell, lokal preoperativ og intraoperativ elektronisk helsejournal, ikke administrative koder, og evaluere ytelsen prospektivt.