Bayesian Networks in Pediatric Cardiac Surgery

Barnhjärtkirurgi med kardiopulmonell bypass är associerad med betydande sjuklighet och mortalitet. Även poängsystem för riskfaktorer, såsom Risk Adjustment for Congenital Heart Surgery (RACHS 1) poäng eller ARISTOTLE-poängen, har utvecklats, utfallsförutsägelser är fortfarande svåra. Nya matematiska metoder som använder djupa neurala nätverk associerade med Bayesianska statistiska metoder har utvecklats för att ge en bättre förståelse av den komplexa interaktionen mellan olika riskfaktorer, för att identifiera riskfaktorer och gruppera dem i relaterade familjer. Denna metod har framgångsrikt använts för att förutsäga dödlighet hos dialyspatienter såväl som för att bättre beskriva komplexa psykiatriska syndrom.

Den primära hypotesen för denna studie är att användningen av dessa verktyg kommer att ge en bättre förståelse för de faktorer som påverkar resultatet efter pediatrisk hjärtkirurgi.

En nätverksanalys med Gaussiska grafiska modeller, blandade grafiska modeller och Bayesianska nätverk kommer att användas för att identifiera enstaka eller grupper av riskfaktorer för sjuklighet och mortalitet efter pediatrisk hjärtkirurgi under kardiopulmonell bypass.