(资料图片)

导读 根据发表在《JAMA Network Open》上的一项研究，匹兹堡大学和 UPMC 的研究人员和医生使用机器学习创建和部署了一个准确而灵活的模型，...

根据发表在《JAMA Network Open》上的一项研究，匹兹堡大学和 UPMC 的研究人员和医生使用机器学习创建和部署了一个准确而灵活的模型，用于预测术后并发症高危患者。

在 COVID-19 大流行之前，全球第三大亡原因是手术后 30 天的并发症，每年导致约 420 万人亡。在接受手术之前识别出并发症高危患者对于挽救生命和降低医疗费用至关重要。

皮特医学院麻醉学和围手术期医学系主任、医学博士、哲学博士、工商管理硕士 Aman Mahajan 表示：“通过预康复改善患者术前的整体健康状况，可以大大改善高危患者的预后。” ，兼 UPMC 围手术期和外科服务总监。

“然而，对于忙碌的临床医生来说，识别高风险患者可能具有挑战性，他们必须整合大量可用的健康数据，并经行额外的测试和临床评估。我们希望建立一个易于使用的模型，提供医疗保健服务团队利用电子健康记录中的现有数据快速进行自动化、准确的风险评估。”

为了创建该模型，Mahajan 和 UPMC 首席医疗保健数据和分析官 Oscar Marroquin 医学博士及其团队训练了算法，以从超过 125 万外科患者的医疗记录中学习。该模型关注亡率以及患者术后是否发生重大脑部或心脏事件，如中风或心脏病发作。然后，该模型针对另外 200,000 名在 UPMC 接受手术的患者进行了验证。

经过验证后，该模型已在 20 家 UPMC 医院中部署。每天早上，该程序都会读取计划进行手术的患者的电子病历，并标记那些被确定为高风险的患者。此通知使临床团队能够更好地协调护理并在手术前进行一些预康复，例如做出更健康的决定，甚至转诊到 UPMC 围手术期护理中心，从而降低并发症的风险。临床医生还可以根据需要随时运行该模型。

为了更好地了解他们的模型与行业标准的比较，Mahajan 和他的团队将其与美国外科医生学会的国家手术质量改进计划 (ACS NSQIP) 进行了比较。虽然 ACS NSQIP 在全国各地的医院都有使用，但它需要临床医生手动输入患者信息，如果信息缺失则无法做出预测。Mahajan 和他的团队发现他们的模型在识别高风险患者方面比 ACS NSQIP做得更好。