股関節手術における周術期輸血を予測するための機械学習モデルの開発

背景：同種の輸血は股関節手術で一般的ですが、罹患率の増加に関連しています。輸血リスクの正確な予測は、血液製品の廃棄物と術前の意思決定を最小限に抑えるために必要です。この研究は、股関節手術における周術期輸血を予測するための機械学習モデルを開発し、重要な危険因子を特定することを目的としています。 方法：2013年1月から2021年10月の間に股関節手術を受けている患者のデータは、北京ユニオンカレッジ病院で収集され、予測モデルを訓練およびテストしました。主な結果は、手術から72時間以内の周術期赤血球（RBC）輸血でした。患者の人口統計学的特性、術前臨床検査、および外科情報を組み込んだ輸血リスクを予測するために、14の機械学習アルゴリズムが確立されました。識別、キャリブレーション、および決定曲線分析を使用して、機械学習モデルを評価しました。Shapley Additive説明（SHAP）は、モデルを解釈するために実行されました。 結果：この研究では、2431人の股関節手術が含まれていました。リッジ分類器は、AUC = 0.85（95％CI、0.81〜0.88）とブライアスコア= 0.21で最高のパフォーマンスを発揮しました。患者関連の危険因子には、術前ヘモグロビンの低い、アメリカ麻酔科医学会（ASA）身体状態> 2、貧血、術前フィブリノーゲンの低下、術前アルブミンの低下が含まれます。手術関連の危険因子には、手術時間の長い時間、股関節全体の関節形成術、および自己吸入が含まれます。 結論：この研究で開発された機械学習モデルは、股関節手術における周術期輸血のために利用可能な変数を使用して高い予測性能を達成しました。特定された予測因子は、リスクの層別化、術前の最適化、および結果の改善に役立つ可能性があります。

BACKGROUND: Allogeneic Blood transfusion is common in hip surgery but is associated with increased morbidity. Accurate prediction of transfusion risk is necessary for minimizing blood product waste and preoperative decision-making. The study aimed to develop machine learning models for predicting perioperative blood transfusion in hip surgery and identify significant risk factors. METHODS: Data of patients undergoing hip surgery between January 2013 and October 2021 in the Peking Union Medical College Hospital were collected to train and test predictive models. The primary outcome was perioperative red blood cell (RBC) transfusion within 72 h of surgery. Fourteen machine learning algorithms were established to predict blood transfusion risk incorporating patient demographic characteristics, preoperative laboratory tests, and surgical information. Discrimination, calibration, and decision curve analysis were used to evaluate machine learning models. SHapley Additive exPlanations (SHAP) was performed to interpret models. RESULTS: In this study, 2431 hip surgeries were included. The Ridge Classifier performed the best with an AUC = 0.85 (95% CI, 0.81 to 0.88) and a Brier score = 0.21. Patient-related risk factors included lower preoperative hemoglobin, American Society of Anesthesiologists (ASA) Physical Status > 2, anemia, lower preoperative fibrinogen, and lower preoperative albumin. Surgery-related risk factors included longer operation time, total hip arthroplasty, and autotransfusion. CONCLUSIONS: The machine learning model developed in this study achieved high predictive performance using available variables for perioperative blood transfusion in hip surgery. The predictors identified could be helpful for risk stratification, preoperative optimization, and outcomes improvement.