Objectif:
Pour déterminer si une approche d’apprentissage automatique (SL) super étudiant pourrait améliorer la précision prédictive de la calculatrice de risques de l’American College of Surgeons (ACS-CC) pour les complications postopératoires chez les patients subissant une chirurgie du côlon-recto.
Résumé des données de fond:
L’apprentissage automatique (ML) a montré un potentiel important pour faire avancer les domaines médicaux, y compris la fourniture d’un risque chirurgical. Les outils actuels, tels que ACS-CC qui utilise la régression logistique et l’amélioration du gradient extrême, sont standard mais peuvent être améliorés par des groupes ML plus avancés.
Méthodes:
Cette étude rétrospective a analysé les cas de chirurgie de la base colorectale de la base de données NSQIP (NSQIP) 2018-2022 ACS National Surgical Improvement Program (NSQIP). Un modèle SL, qui combine plusieurs algorithmes ML, a été développé pour prédire quatorze résultats postopératoires. Ses performances ont été comparées aux modèles de régression logistique traditionnels (LOG) et à un gradient de gradient de gradient extrême (XGB). Les métriques de performance clés comprenaient la discrimination (AUROC, AUPRC) et l’étalonnage (Score de Brier, test Hosmer-Lemeshow).
Résultats:
Le modèle SL a démontré des performances plus élevées dans toutes les complications fournies pour le registre et le XGB. Il a montré une discrimination plus élevée pour des résultats graves, atteignant un Auroc supérieur à 0,94 pour prédire la mortalité. Le modèle SL a également été plus précis pour fournir des complications infectieuses et de la durée du salon et ses mesures d’étalonnage ont indiqué un meilleur ajustement et précision global.
Conclusions:
Le modèle Super Student améliore la précision des prévisions du risque postopératoire dans la chirurgie du côlon. Ses performances plus élevées suggèrent qu’il s’agit d’un outil prometteur pour améliorer les conseils personnalisés des patients, aider le processus de prise de décision clinique et l’optimisation de l’attribution des ressources.