今天小骨为大家分享的文章究使用机器学习算法来识别关键变量并预测退行性脊柱疾病患者的术后妄想(POD)。如果您对骨科疾病生信有兴趣，请为小骨点点关注，持续解读骨科生信文献和思路，如果您需要定制化服务，欢迎扫码联系小骨~
文章标题：Automated machine learning- based model for the prediction of delirium in patients after surgery for degenerative spinal disease
中文标题：基于机器学习的自动化模型，用于预测退行性脊柱疾病手术后患者的谵妄
发表期刊：CNS Neuroscience and Therapeutics
发表时间：2023年1月
影响因子：4.8/Q1
术后谵妄 （POD） 是一种急性意识模糊状态，由潜在的全身性障碍引起的中枢神经系统可逆变化引起。发生通常发生在手术后几小时到几天之间，主要表现为功能能力明显丧失、意识能力下降、注意力障碍或思维障碍。脊髓后谵妄的发生并不少见。在接受退行性脊柱病变手术的患者中，缺乏对 POD 的研究。
研究方法
本研究采用机器学习
技术提取 663 例全身麻醉下手术患者的术前和术中临床资料，并开发了 9 种不同的 POD 预测模型。最后，我们比较了这些模型并选择了能够协助检测和诊断 POD 高危患者的最佳预测模型。此外，为了使所选模型更容易获得，建立了一个网站计算器来帮助临床医生进行日常应用。
结果分析
1. 基线特征
共有663名患者参加了这项研究。
2. POD 组与非 POD 组术前和术中变量的比较
研究变量，包括术前 CRP 和术前血清白蛋白，几乎没有缺失值。研究人群 （n = 663） 被随机分为训练集和验证集，用于建立预测模型。以及测试集，用于进一步验证预测模型。我们的研究参与者被分为POD组(n=182)和非POD组(n=481)，根据他们是否在术后前5天内经历精神错乱。在训练和测试数据集中，患者特征之间没有统计学上的显著差异。
3. 关键变量
在 LASSO 模型中，在使用十倍交叉验证选择的值处绘制一条垂直线，其中合适的 lambda 导致 12 个具有非零系数的特征。正如预期的那样，高龄、高血压、吸烟史、CCD、PD 和酗酒史、较长的 ASTI 、较低的术前白蛋白和最低的术中血压、较大的术中失血量、较高的术前 CRP 和 AIMBPD 较大的患者更容易发生 POD。
4. 模型性能
在确定了这 12 个变量后，使用机器学习模型来预测手术后的 POD。AUROC、Brier Scores 和 DCA 是用于评估预测模型的重要指标。与其他型号相比，XGBoost 获得了更低但更高的 Brier 分数。九种模型的校准图DCA 表明XGBoost 模型可以作为 POD 的最佳诊断工具。
5. 模型可解释性
使用Shap软件包对XGBoost模型进行分析，反映了样本中各特征的影响程度，同时也显示了正负影响。条形图显示了特征值的大小和预测影响之间的关系。
6. 在线预测模型
将典型患者的术前和术中信息输入到模型中，模型预测该患者发生 POD 的风险。（可在：http://121.89.246.238/model/prediction/1 获得）
文章小结
在这项研究中，我们开发了 9 种不同的 POD 预测模型，并使用 AUROC、Brier 评分和 DCA 对其进行校准，以选择性能最佳的模型。选择了最好的机器学习算法，该算法实用且性能良好。该模型可以实现对 POD 的个体化预测，并最大限度地降低谵妄预防措施的成本和风险。我们建议使用此模型来预测 POD，并指导高危患者采取适当的预防措施。如果您对生信分析和公共数据库挖掘感兴趣，但时间和精力有限或者缺乏相关经验，小骨非常乐意为您提供如下服务：免费思路评估、付费方案设计和生信分析等，有意向的老师欢迎联系小骨哦！
