Anesthesia & Analgesia ：术中数据对腹腔内手术后死亡率的风险预测影响
2023-12-19 网络 网络 发表于上海
在各种机器学习算法中，只用术前变量就能对腹腔内手术患者的术后死亡率进行预测，并有很好的区分度。在术前数据的基础上增加术中数据，也能得到具有出色辨别力的模型，但模型性能并没有提高。
朱斌 翻译 / 审校
背景：腹腔内手术后死亡率的风险预测模型通常是利用术前变量开发的。目前还不清楚术中数据是否为这些风险预测模型增加了重要价值。
方法：经 IRB 批准，确定使用 2005 年至 2015 年美国外科医师学会国家外科质量改进计划中腹腔内手术患者的回顾性队列用于本研究。术中数据从电子医疗记录中获得。主要结果是 30 天的死亡率。我们使用以下方法评估了机器学习算法预测 30 天死亡率的性能：1）基线变量，2）基线 + 术中变量。评估的算法有：1）具有弹性网络选择的逻辑回归，2）随机森林（random forest，RF），3）梯度增强机（gradient boosting machine，GBM），4）支持向量机（support vector machine，SVM），5）卷积神经网络（convolutional neural network，CNN）。使用接收者特征曲线下的面积（area under the receiver operator characteristic curve，AUROC）来评估模型性能。样本被随机分为训练 /测试两部分，概率为 80% / 20%。重复的 10 倍交叉验证确定了每个模型在训练数据集中的最佳模型超参数，然后将其应用于整个训练数据集以训练模型。训练后的模型被应用于测试群组，以评估模型的性能。用P ＜ 0.05 来评价统计学意义。
结果：训练和测试队列分别包含 4,322 名和 1,079 名患者，分别有 62 名（1.4%）和 15 名（1.4%）经历了 30 天死亡率。当仅使用基线变量预测死亡率时，除 SVM 之外的所有算法 {AUROC，0.83 [95% 置信区间（confidence interval，CI），0.69 ~ 0.97]} 的 AUROC ＞ 0.9：GBM[AUROC，0.96（0.94 ~ 1.0）]、RF[AUROC，0.96（0.92 ~ 1.0）]、CNN[AUROC，0.96（0.92 ~ 0.99）] 和逻辑回归 [AUROC，0.95（0.91 ~ 0.99）]。AUROC 随着 CNN 的术中变量显著增加 [AUROC，0.97（0.96 ~ 0.99）；与基线相比P = 0.047]，但 GBM 没有改善 [AUROC，0.97（0.95 ~ 0.99）；与基线相比P = 0.3]、RF[AUROC，0.96（0.93 ~ 1.0）；与基线相比P = 0.5] 和逻辑回归 [AUROC，0.94（0.90 ~ 0.99）；与基线相比P = 0.6]。
结论：在各种机器学习算法中，只用术前变量就能对腹腔内手术患者的术后死亡率进行预测，并有很好的区分度。在术前数据的基础上增加术中数据，也能得到具有出色辨别力的模型，但模型性能并没有提高。
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#腹腔内手术#
17