Maskinlæringsprediksjon av flere infeksjoner hos eldre kirurgiske pasienter

Bakgrunner:

Postoperative infeksjoner er en ledende årsak til uønskede perioperative utfall, spesielt for eldre pasienter. Gitt de varierte diagnostiske presentasjonene av infeksjon, er det et betydelig gap i bruken av prediktive verktøy for å identifisere de med høy risiko for å utvikle slike komplikasjoner.

Objektiv:

Vi hadde som mål å utvikle maskinlæringsmodeller for å forutsi ulike postoperative infeksjonsrisikoer hos eldre pasienter, og lette tidlig oppdagelse og intervensjon.

Metoder:

En retrospektiv analyse ble utført på 42 540 eldre pasienter som gjennomgikk ikke-hjertekirurgi ved First Medical Center ved det kinesiske PLA General Hospital mellom januar 2014 og august 2019, og dannet opplæringssettet. Fra dette ble en 30 % undergruppe tilfeldig utpekt som testsettet. Modellene inkorporerte 51 variabler inkludert viktige infeksjonsrelaterte faktorer. Tre maskinlæringsteknikker - Logistic Regression (LR), Random Forest (RF) og Gradient Boosting Machines (GBM) - ble brukt til å utvikle prediktive modeller for generelle og spesifikke postoperative infeksjoner, kategorisert i henhold til definisjonene av European Perioperative Clinical Outcome (EPCO). . Modellytelsen ble målt av beregninger som Area Under the Receiver Operating Characteristic (ROC) Curve (AUC), nøyaktighet og presisjon. For å forbedre modelltolkbarheten brukte vi RF-modellens Variable Importance (VIMP) og Shapley Additive Explanations (SHAP) algoritme. For en påviselig prediksjon av spesifikke infeksjonstyper ble data fra tilfeldig utvalgte 5 pasienter matet inn i modellen med de resulterende sannsynlighetene avbildet i et radardiagram.