Predição de aprendizado de máquina de múltiplas infecções em pacientes cirúrgicos idosos

Antecedentes:

As infecções pós-operatórias são uma das principais causas de resultados perioperatórios adversos, especialmente em pacientes idosos. Dadas as variadas apresentações diagnósticas da infecção, existe uma lacuna significativa no uso de ferramentas preditivas para identificar aqueles com alto risco de desenvolver tais complicações.

Objetivo:

Nosso objetivo era desenvolver modelos de aprendizado de máquina para prever vários riscos de infecção pós-operatória em pacientes idosos, facilitando a detecção e intervenção precoces.

Métodos:

Foi realizada uma análise retrospectiva de 42.540 pacientes idosos submetidos a cirurgia não cardíaca no Primeiro Centro Médico do Hospital Geral PLA Chinês entre janeiro de 2014 e agosto de 2019, formando o conjunto de Treinamento. A partir disso, um subconjunto de 30% foi designado aleatoriamente como conjunto de teste. Os modelos incorporaram 51 variáveis, incluindo os principais factores relacionados com a infecção. Três técnicas de aprendizado de máquina - regressão logística (LR), floresta aleatória (RF) e máquinas de reforço de gradiente (GBM) - foram utilizadas para desenvolver modelos preditivos para infecções pós-operatórias gerais e específicas, categorizadas de acordo com as definições do European Perioperative Clinical Outcome (EPCO). . O desempenho do modelo foi avaliado por métricas como a curva de área sob a característica operacional do receptor (ROC) (AUC), exatidão e precisão. Para melhorar a interpretabilidade do modelo, empregamos o algoritmo Variable Importance (VIMP) do modelo RF e o algoritmo Shapley Additive Explanations (SHAP). Para uma previsão demonstrável de tipos específicos de infecção, dados de 5 pacientes selecionados aleatoriamente foram inseridos no modelo com as probabilidades resultantes representadas em um gráfico de radar.