Maskininlärningsförutsägelse av flera infektioner hos äldre kirurgiska patienter

Bakgrunder:

Postoperativa infektioner är en ledande orsak till ogynnsamma perioperativa utfall, särskilt för äldre patienter. Med tanke på de olika diagnostiska presentationerna av infektion finns det en betydande lucka i användningen av prediktiva verktyg för att identifiera personer med hög risk att utveckla sådana komplikationer.

Mål:

Vi syftade till att utveckla maskininlärningsmodeller för att förutsäga olika postoperativa infektionsrisker hos äldre patienter, vilket underlättar tidig upptäckt och intervention.

Metoder:

En retrospektiv analys genomfördes på 42 540 äldre patienter som genomgick icke-hjärtkirurgi vid First Medical Center på det kinesiska PLA General Hospital mellan januari 2014 och augusti 2019, och bildade utbildningssetet. Från detta betecknades slumpmässigt en 30%-delmängd som testuppsättningen. Modellerna inkorporerade 51 variabler inklusive viktiga infektionsrelaterade faktorer. Tre tekniker för maskininlärning - Logistic Regression (LR), Random Forest (RF) och Gradient Boosting Machines (GBM) - användes för att utveckla prediktiva modeller för övergripande och specifika postoperativa infektioner, kategoriserade enligt definitionerna av European Perioperative Clinical Outcome (EPCO) . Modellens prestanda mättes av mätvärden som Area Under the Receiver Operating Characteristic (ROC) Curve (AUC), noggrannhet och precision. För att förbättra modelltolkbarheten använde vi RF-modellens Variable Importance (VIMP) och Shapley Additive Explanations (SHAP) algoritm. För en påvisbar förutsägelse av specifika infektionstyper matades data från slumpmässigt utvalda 5 patienter in i modellen med de resulterande sannolikheterna avbildade i ett radardiagram.