目的基于机器学习构建骨科手术围手术期氨甲环酸使用的个性化推荐策略,以减少围手术期出血及相关并发症,改善患者预后。方法从INSPIRE数据库中纳入了11727例骨科手术患者,通过多重插补方法处理缺失数据,并采用Boruta分析筛选出相关特征...目的基于机器学习构建骨科手术围手术期氨甲环酸使用的个性化推荐策略,以减少围手术期出血及相关并发症,改善患者预后。方法从INSPIRE数据库中纳入了11727例骨科手术患者,通过多重插补方法处理缺失数据,并采用Boruta分析筛选出相关特征变量。构建了多种机器学习模型,包括梯度提升机(gradient boosting machine,GBM)、广义线性模型(generalized linear model,GLM)、极端梯度提升机(eXtreme gradient boosting,XGBoost)、K最近邻(k-nearest neighbors,KNN)、神经网络(neural network,NNET)、朴素贝叶斯(naive bayes,NB)及随机森林(random forest,RF),评估各模型在预测术中出血及术后住院时间延长的效能。筛选最优模型后采用加权集成法进行整合,以达到最佳预后为目标对氨甲环酸使用策略进行推荐。通过测试集验证及与医生决策对比,完成模型性能评估。结果针对术中出血,RF模型的受试者操作曲线下面积(area under the subject curve,AUC)达到0.73,显著优于其他模型;而针对术后住院时间延长,XGBoost模型表现得最佳(AUC=0.84)。基于上述最佳模型,实施了集成策略,结果显示符合推荐策略的患者术中出血量降低,术后住院时间缩短。结论氨甲环酸的使用与术中出血和术后住院时间相关,应用构建的模型进行个性化决策推荐能有效改善患者预后。展开更多
文摘目的基于机器学习构建骨科手术围手术期氨甲环酸使用的个性化推荐策略,以减少围手术期出血及相关并发症,改善患者预后。方法从INSPIRE数据库中纳入了11727例骨科手术患者,通过多重插补方法处理缺失数据,并采用Boruta分析筛选出相关特征变量。构建了多种机器学习模型,包括梯度提升机(gradient boosting machine,GBM)、广义线性模型(generalized linear model,GLM)、极端梯度提升机(eXtreme gradient boosting,XGBoost)、K最近邻(k-nearest neighbors,KNN)、神经网络(neural network,NNET)、朴素贝叶斯(naive bayes,NB)及随机森林(random forest,RF),评估各模型在预测术中出血及术后住院时间延长的效能。筛选最优模型后采用加权集成法进行整合,以达到最佳预后为目标对氨甲环酸使用策略进行推荐。通过测试集验证及与医生决策对比,完成模型性能评估。结果针对术中出血,RF模型的受试者操作曲线下面积(area under the subject curve,AUC)达到0.73,显著优于其他模型;而针对术后住院时间延长,XGBoost模型表现得最佳(AUC=0.84)。基于上述最佳模型,实施了集成策略,结果显示符合推荐策略的患者术中出血量降低,术后住院时间缩短。结论氨甲环酸的使用与术中出血和术后住院时间相关,应用构建的模型进行个性化决策推荐能有效改善患者预后。
