术后结果的术中血流动力学预测因子的机器学习建模

外行摘要

简介：世界卫生组织估计全世界每年进行 270-360 百万次手术。 手术后的死亡和并发症是一个巨大的挑战。 在加拿大，每 1000 例大手术中，就有 16 例患者在手术后死于医院。 在美国，每进行 1000 例手术，就有 67 名患者出乎意料地需要重症监护室的生命支持。 随着人口老龄化和资源有限，改善手术后健康的策略变得越来越重要。

血压和心率等生命体征显示身体的状况。 由于患者、手术和麻醉因素，生命体征在手术过程中会发生变化。 麻醉师可以通过药物改变生命体征。 然而，医疗专业人员才刚刚开始了解麻醉下哪些生命体征以及哪些范围的生命体征与更好的健康相关。 机器学习是一种可以提供理解数据的新方法的工具。 通过更好的理解，医疗专业人员可以努力改善手术后的结果。

目标：本研究将分析手术期间的生命体征与死亡、并发症（心脏、肺、肾脏、大脑、感染）、重症监护室入院、住院时间和再入院的关系。 这项研究将确定哪些生命体征以及哪些水平的生命体征可能有害。 研究人员预测，血压、心率、氧气水平、二氧化碳水平以及改变血压的药物需求将相互作用，与手术后的死亡相关。

方加拿大）从2013年1月1日到2017年12月1日。 大约有 35,000 名符合条件的患者。 研究人员将使用机器学习对数据进行建模，并测试我们的模型对手术后结果的解释程度。

意义：在大型、广泛的手术人群数据集中使用机器学习可以检测可能为当前实践提供信息的新关系和策略，并为未来的研究产生想法。 更好地了解手术期间生命体征的影响可能会揭示改善手术结果和资源分配的方法。 结果可能会建议如何识别手术后应更密切监测的高危患者。 如果模型表现良好，可能会激励其他研究人员在健康数据研究中使用机器学习。

有关详细信息，请参阅完整协议。

2020 年 5 月更新（在数据集聚合和分析之前）

1. 添加了次要结果（术后 30 天存活天数和出院天数）
2. 改进的血流动力学变量伪影处理算法
3. 添加子研究：有创血压伪影去除算法的机器学习