Прогнозирование множественных инфекций с помощью машинного обучения у пожилых хирургических пациентов

Фоны:

Послеоперационные инфекции являются основной причиной неблагоприятных периоперационных исходов, особенно у пожилых пациентов. Учитывая различные диагностические проявления инфекции, существует значительный пробел в использовании прогностических инструментов для выявления лиц с высоким риском развития таких осложнений.

Цель:

Мы стремились разработать модели машинного обучения для прогнозирования различных рисков послеоперационных инфекций у пожилых пациентов, способствуя раннему выявлению и вмешательству.

Методы:

Ретроспективный анализ был проведен на 42 540 пожилых пациентах, перенесших внесердечные операции в Первом медицинском центре Китайской больницы общего профиля НОАК в период с января 2014 года по август 2019 года, которые составили обучающую выборку. Из этого подмножества в 30% случайным образом были определены как тестовый набор. Модели включали 51 переменную, включая ключевые факторы, связанные с инфекцией. Три метода машинного обучения — логистическая регрессия (LR), случайный лес (RF) и машины повышения градиента (GBM) — использовались для разработки моделей прогнозирования общих и конкретных послеоперационных инфекций, классифицированных в соответствии с определениями Европейского периоперационного клинического результата (EPCO). . Производительность модели оценивалась по таким показателям, как площадь под кривой рабочей характеристики приемника (ROC) (AUC), точность и прецизионность. Чтобы улучшить интерпретируемость модели, мы использовали алгоритм переменной важности (VIMP) и аддитивных объяснений Шепли (SHAP). Для наглядного прогнозирования конкретных типов инфекций в модель были введены данные случайно выбранных 5 пациентов, а полученные вероятности были отображены на диаграмме радара.