Modelo de aprendizado de máquina para prever insuficiência respiratória pós-operatória

Sabe-se que as complicações pulmonares pós-operatórias aumentam o tempo de internação e os custos de saúde. Uma das formas mais graves dessas complicações é a insuficiência respiratória pós-operatória, que também está associada à morbidade e mortalidade. Muitos modelos de estratificação de risco foram desenvolvidos para identificar pacientes com risco aumentado de insuficiência respiratória pós-operatória. No entanto, esses modelos foram construídos usando uma análise de regressão logística tradicional. Uma análise de regressão logística teve a desvantagem de assumir a relação entre variáveis ​​dependentes e independentes como linear. Avanços recentes em inteligência artificial possibilitam gerenciar e analisar big data. O modelo de previsão usando uma técnica de aprendizado de máquina e dados em grande escala pode melhorar a precisão do desempenho da previsão do que os modelos anteriores usando estatísticas tradicionais. Além disso, uma técnica de aprendizado de máquina pode ser uma ferramenta adjuvante útil na tomada de decisões clínicas ou previsão em tempo real se for integrada ao sistema de saúde. No entanto, até onde sabemos, não houve estudo investigando os fatores preditivos de insuficiência respiratória pós-operatória usando uma abordagem de aprendizado de máquina. Portanto, o principal objetivo deste estudo é desenvolver um modelo de aprendizado de máquina que preveja insuficiência respiratória pós-operatória em 7 dias de pós-operatório usando registros eletrônicos de saúde pré-operatórios e intraoperatórios locais reais, não códigos administrativos e avaliar seu desempenho prospectivamente.