機械学習アルゴリズムを使用して、選択的非心臓外科患者の手術後の集中治療室入院（> 24時間）の予測

背景：電子健康記録から簡単に入手可能な術前情報を使用して、集中治療ユニット入学（> 24時間）の予測のための高度に差別的な機械学習モデルを開発する。手術後のICU入院の正確な予測モデルは、外科的リスク評価とICUリソースの適切な利用に非常に重要です。 方法：データは、2014年1月1日から2018年7月31日までの心臓手術を除き、手術を受けた135,442人の成人患者で構成される大規模な病院から遡及的に収集されました。複数の既存の予測機械学習アルゴリズムを調査して、ロジスティック回帰、ランダムフォレスト、適応ブースト、グラデーションブーストマシンなどの予測モデルを構築しました。結果の解釈可能性を改善するために、4つの二次分析が実施されました。 結果：合計2702人（2.0％）の患者が術後集中治療室に入院しました。勾配ブーストマシンモデルは、0.90の受信機動作特性曲線の下で最高の領域を達成しました。機械学習モデルは、アメリカの麻酔科医協会の物理的状態よりも集中治療室の入院を予測しました（受信者動作特性曲線の下の面積：0.68）。グラジエントブーストマシンは、術後集中治療室の入院の非常に重要な予測因子としていくつかの機能を認識しました。サブグループ分析と二次分析を適用することにより、消化器系、呼吸器系、血管系の手術を受けた患者は、集中治療室入院の確率が高いことがわかりました。 結論：従来のアメリカ麻酔科医協会の身体的状態およびロジスティック回帰モデルと比較して、勾配ブーストマシンは集中治療室の入院の予測のパフォーマンスを改善する可能性があります。機械学習モデルを使用して、差別を改善し、選択的非心臓外科患者の手術後の集中治療室入院の必要性を特定できます。これは、外科的リスクの管理に役立ちます。

BACKGROUND: To develop a highly discriminative machine learning model for the prediction of intensive care unit admission (>24h) using the easily available preoperative information from electronic health records. An accurate prediction model for ICU admission after surgery is of great importance for surgical risk assessment and appropriate utilization of ICU resources. METHOD: Data were collected retrospectively from a large hospital, comprising 135,442 adult patients who underwent surgery except for cardiac surgery between 1 January 2014, and 31 July 2018 in China. Multiple existing predictive machine learning algorithms were explored to construct the prediction model, including logistic regression, random forest, adaptive boosting, and gradient boosting machine. Four secondary analyses were conducted to improve the interpretability of the results. RESULTS: A total of 2702 (2.0%) patients were admitted to the intensive care unit postoperatively. The gradient boosting machine model attained the highest area under the receiver operating characteristic curve of 0.90. The machine learning models predicted intensive care unit admission better than the American Society of Anesthesiologists Physical Status (area under the receiver operating characteristic curve: 0.68). The gradient boosting machine recognized several features as highly significant predictors for postoperatively intensive care unit admission. By applying subgroup analysis and secondary analysis, we found that patients with operations on the digestive, respiratory, and vascular systems had higher probabilities for intensive care unit admission. CONCLUSION: Compared with conventional American Society of Anesthesiologists Physical Status and logistic regression model, the gradient boosting machine could improve the performance in the prediction of intensive care unit admission. Machine learning models could be used to improve the discrimination and identify the need for intensive care unit admission after surgery in elective noncardiac surgical patients, which could help manage the surgical risk.