Bayesian Networks in Pediatric Cardiac Surgery

Pediatrisk hjertekirurgi med kardiopulmonal bypass er assosiert med betydelig sykelighet og dødelighet. Også skåresystemer for risikofaktorer, slik som risikojustering for medfødt hjertekirurgi (RACHS 1)-score eller ARISTOTLE-score, er utviklet, resultatprediksjon er fortsatt vanskelig. Nye matematiske metoder som bruker dype nevrale nettverk assosiert med Bayesianske statistiske metoder er utviklet for å gi en bedre forståelse av det komplekse samspillet mellom ulike risikofaktorer, for å identifisere risikofaktorer og gruppere dem i beslektede familier. Denne metoden har blitt brukt med hell for å forutsi dødelighet hos dialysepasienter, samt for å bedre beskrive komplekse psykiatriske syndromer.

Den primære hypotesen i denne studien er at bruken av disse verktøyene vil gi en bedre forståelse av faktorene som påvirker resultatet etter pediatrisk hjertekirurgi.

En nettverksanalyse ved bruk av Gaussiske grafiske modeller, blandede grafiske modeller og Bayesianske nettverk vil bli brukt for å identifisere enkelt eller grupper av risikofaktorer for sykelighet og dødelighet etter pediatrisk hjertekirurgi under kardiopulmonal bypass.