使用机器学习开发和评估模型，使用术前和术中数据识别术后并发症的风险( Use of Machine Learning to Develop and Evaluate Models Using Preoperative and Intraoperative Data to Identify Risks of Postoperative Complications )

B Xue D Li C Lu CR King J Abraham

术后并发症对围手术期护理管理和计划有重要影响。目的：利用独立和联合的术前和术中数据，评估机器学习(ML)预测术后并发症的模型及其临床意义的模型不可知论解释。设计、设置和参与者本回顾性队列研究评估了从2012年6月1日至2016年8月31日在一个学术医疗中心对成人进行的111 888例手术，根据术后住院时间少于7天进行平均随访。数据分析于2020年2月1日至9月31日进行。主要结果和措施结果包括5种术后并发症：急性肾损伤(AKI)、谵妄、深静脉血栓形成(DVT)、肺栓塞(PE)和肺炎。将术前、术中和两者结合的患者和临床特征作为5个候选ML模型的输入：logistic回归、支持向量机、随机森林、梯度增强树(GBT)和深度神经网络(DNN)。利用接收机工作特性曲线(AUROC)下的面积对模型性能进行了比较。通过将模型特征转换为临床变量并将其表示为特定患者的可视化，使用Shapley加法解释生成模型解释。结果共有111 888例患者（平均年龄54.4[16.8]岁；女性56 915例[50.9%],白人82 533例[73.8%]）被纳入本研究。将术前和术中的数据与以下AUROCs相结合，得出最佳的各种并发症模型：肺炎(GBT)，0.905(95%CI，0.903-0.907)；AKI(GBT)为0.848(95%CI，0.846-0.851)；DVT(GBT)为0.881(95%CI，0.878-0.884)；PE(DNN)为0.831(95%CI，0.824-0.839)；谵妄(GBT)0.762(95%CI，0.759-0.765)。仅使用术前数据或术中数据的模型的性能略低于使用联合数据的模型。当加入数据缺失的变量作为输入时，肺炎AUROCs从0.588增加到0.905,AKI从0.579增加到0.848,DVT从0.574增加到0.881,PE从0.5增加到0.831,谵妄从0.6增加到0.762。Shapley加法解释分析产生了模型不可知的解释，说明了与术后并发症风险相关的重要临床贡献者。结论和相关性ML模型用于预测术后并发症，模型不可知解释为整合风险预测提供了机会，为临床决策提供支持。这种实时的临床决策支持可以降低病人的风险，并有助于围手术期应急计划的预期管理。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate