Ученые научили ИИ оценивать риск смерти после операции
Ученые разработали модель, которая оценивает риск смерти пожилых пациентов в течение 30 дней после сложной операции. Для прогноза она использует обычные предоперационные данные, в том числе показатели анализов крови.
Источник: Новости науки
МОСКВА, 12 октября /Новости науки/. Ученые разработали ИИ модель для оценки риска смерти пожилых пациентов в течение 30 дней после сложных операций, не связанных с сердцем. Для прогноза использовались данные, доступные до хирургического вмешательства.
Исследование включало 9 422 пациента в возрасте 65 лет и старше, перенесших крупные операции с января 2017 года по апрель 2019 года. В течение 30 дней после хирургического вмешательства умерли 147 человек, или 1,6% участников.
Для построения прогноза ученые использовали возраст и другие характеристики пациентов, результаты лабораторных исследований, сведения о сопутствующих заболеваниях и степень риска предстоящей операции. Затем несколько моделей машинного обучения сравнили по тому, насколько хорошо они определяют пациентов с повышенным риском.
Наиболее точная модель показала показатель AUROC 0,835. Эта величина отражает способность системы отличать пациентов с более высоким риском смерти от пациентов с более низким риском: чем ближе значение к единице, тем точнее работает модель.
Одним из наиболее важных показателей для прогноза оказался гематокрит — доля клеток крови в ее общем объеме. Большое значение также имели время свертывания крови, уровень натрия, количество и тяжесть сопутствующих заболеваний, а также оценка общего состояния пациента перед операцией.
Исследователи также проверили более простую версию системы, использовав только 15 наиболее значимых показателей. Ее точность снизилась незначительно — показатель AUROC составил 0,819.
По мнению ученых, такой подход может позволить оценивать риск непосредственно перед операцией на основе информации, которая уже содержится в медицинской карте пациента. Это потенциально дает врачам возможность раньше выявлять людей с повышенным риском осложнений и учитывать это при подготовке к хирургическому вмешательству.
Исследование носило ретроспективный характер и было основано на данных одного медицинского центра. Полученные результаты показывают возможности машинного обучения для предоперационной оценки риска, однако применимость модели к пациентам других больниц и систем здравоохранения потребует дополнительной проверки.
Исследование включало 9 422 пациента в возрасте 65 лет и старше, перенесших крупные операции с января 2017 года по апрель 2019 года. В течение 30 дней после хирургического вмешательства умерли 147 человек, или 1,6% участников.
Для построения прогноза ученые использовали возраст и другие характеристики пациентов, результаты лабораторных исследований, сведения о сопутствующих заболеваниях и степень риска предстоящей операции. Затем несколько моделей машинного обучения сравнили по тому, насколько хорошо они определяют пациентов с повышенным риском.
Наиболее точная модель показала показатель AUROC 0,835. Эта величина отражает способность системы отличать пациентов с более высоким риском смерти от пациентов с более низким риском: чем ближе значение к единице, тем точнее работает модель.
Одним из наиболее важных показателей для прогноза оказался гематокрит — доля клеток крови в ее общем объеме. Большое значение также имели время свертывания крови, уровень натрия, количество и тяжесть сопутствующих заболеваний, а также оценка общего состояния пациента перед операцией.
Исследователи также проверили более простую версию системы, использовав только 15 наиболее значимых показателей. Ее точность снизилась незначительно — показатель AUROC составил 0,819.
По мнению ученых, такой подход может позволить оценивать риск непосредственно перед операцией на основе информации, которая уже содержится в медицинской карте пациента. Это потенциально дает врачам возможность раньше выявлять людей с повышенным риском осложнений и учитывать это при подготовке к хирургическому вмешательству.
Исследование носило ретроспективный характер и было основано на данных одного медицинского центра. Полученные результаты показывают возможности машинного обучения для предоперационной оценки риска, однако применимость модели к пациентам других больниц и систем здравоохранения потребует дополнительной проверки.
