Maskininlärningsmodell för att förutsäga postoperativt andningssvikt

Postoperativa lungkomplikationer är kända för att öka längden på sjukhusvistelse och vårdkostnader. En av de allvarligaste formerna av dessa komplikationer är postoperativ andningssvikt, som också är förknippad med sjuklighet och mortalitet. Många riskstratifieringsmodeller har utvecklats för att identifiera patienter med ökad risk för postoperativ andningssvikt. Dessa modeller byggdes dock med hjälp av en traditionell logistisk regressionsanalys. En logistisk regressionsanalys hade nackdelar med att anta sambandet mellan beroende och oberoende variabler som linjärt. De senaste framstegen inom artificiell intelligens gör det möjligt att hantera och analysera big data. Förutsägelsemodeller som använder en maskininlärningsteknik och storskalig data kan förbättra noggrannheten i förutsägelseprestanda än tidigare modeller som använder traditionell statistik. Dessutom kan en maskininlärningsteknik vara ett användbart hjälpverktyg för att fatta kliniska beslut eller förutsäga i realtid om den är integrerad i sjukvårdssystemet. Men såvitt vi vet fanns det ingen studie som undersökte de prediktiva faktorerna för postoperativ andningssvikt med hjälp av en maskininlärningsmetod. Därför är huvudsyftet med denna studie att utveckla en maskininlärningsmodell som förutsäger postoperativ andningssvikt inom 7 postoperativa dagar med hjälp av en verklig, lokal preoperativ och intraoperativ elektronisk hälsojournal, inte administrativa koder och utvärdera dess prestanda prospektivt.