Модель машинного обучения для прогнозирования послеоперационной дыхательной недостаточности

Известно, что послеоперационные легочные осложнения увеличивают продолжительность пребывания в стационаре и затраты на здравоохранение. Одной из наиболее тяжелых форм этих осложнений является послеоперационная дыхательная недостаточность, которая также связана с заболеваемостью и смертностью. Разработано множество моделей стратификации риска для выявления пациентов с повышенным риском развития послеоперационной дыхательной недостаточности. Однако эти модели были построены с использованием традиционного логистического регрессионного анализа. Логистический регрессионный анализ имел недостатки, связанные с предположением, что отношения между зависимыми и независимыми переменными являются линейными. Последние достижения в области искусственного интеллекта позволяют управлять большими данными и анализировать их. Модель прогнозирования с использованием метода машинного обучения и крупномасштабных данных может повысить точность прогнозирования по сравнению с предыдущими моделями, использующими традиционную статистику. Кроме того, метод машинного обучения может быть полезным вспомогательным инструментом для принятия клинических решений или прогнозирования в реальном времени, если он интегрирован в систему здравоохранения. Однако, насколько нам известно, не было исследований, посвященных прогностическим факторам послеоперационной дыхательной недостаточности с использованием подхода машинного обучения. Таким образом, основной целью данного исследования является разработка модели машинного обучения, которая прогнозирует послеоперационную дыхательную недостаточность в течение 7 послеоперационных дней с использованием реальных, локальных предоперационных и интраоперационных электронных медицинских карт, а не административных кодов, и оценивает ее эффективность проспективно.