肺部结节手术风险评估和手术时间预测 相关工作及可行性分析

手术风险评估相关工作

文章	简介	数据库	特征	特征数量	方法
Development and validation of machine learning models to identify high-risk surgical patients using automatically curated electronic health record data (Pythia): A retrospective, single-site study（2018.11.27 PLOS Medicine）	本研究的主要目的是展示一个机器学习的初始使用案例，利用来自ehr的特定机构的手术数据管道和存储库，以识别术后并发症的高风险患者。	37,195,164 例患者的电子医疗记录 （不公开，可尝试申请获取）	包括患者的人口统计学特征(例如，年龄、性别、种族)、吸烟状况、药物、合并症、手术过程信息和外科手术复杂性指标	194个临床特征	使用自动化的SQL和R代码创建了一个手术结果的数据库，该数据库提取和处理了来自EHR的3700万例临床病例的患者临床和手术数据，通过交叉验证14个特定的术后结果组，对该手术队列进行了最少绝对收缩和选择算子(lasso)惩罚logistic回归、随机森林模型和极值梯度增强决策树的训练。所得模型的接收机算子特征曲线下面积(AUC)值在0.747 ~ 0.924之间
DyCRS: Dynamic Interpretable Postoperative Complication Risk Scoring（2020.4.20 WWW’20）	开发了一个动态的术后并发症风险评分框架(DyCRS)，基于术后序贯生命体征和静态特征实时检测“高危”患者。DyCRS基于隐马尔可夫模型(HMM)的适应性，该模型捕捉隐状态和可观察状态，以生成实时的、概率的、复杂性风险评分。	526例接受择期结肠切除术的患者的并发症信息	顺序特征：白细胞计数(1000s /微升血)、收缩压(mm Hg)、舒张压(mm Hg)、脉搏率(每分钟脉冲数)、体温(◦F)。静态特征：包括性别和无并发症的糖尿病。事件：临床恶化时间或出院时间	5个顺序特征，2个静态特征，1个事件。我们的数据集包括526例患者，12666个时间步长数据点，每个时间步长与5个生命体征相关。	隐马尔可夫模型（HMM）
Interpretable Predictions of Clinical Outcomes with An Attention-based Recurrent Neural Network（2017.8.20 ACM-BCB）	医疗保健领域的大数据积累，如电子健康记录(EHR)和索赔数据，使研究人员能够使用机器学习技术从这些数据中学习，并构建临床决策支持工具。这种能力有助于及时和准确地预测患者在再次入院或死亡方面的医疗风险，从而提高临床干预的质量和效率。为了产生可解释的临床结果预测，我们的工作开发了一种基于门控复发单元(GRU)的分级注意RNN (GRNN-HA)。	MIMIC-III(重症监护医疗信息市场)，包含了一家大型三级医院重症监护室收治的46250名不同患者的相关数据（公开数据集）	数据类型包括人口统计学、生命体征、诊断代码和实验室测试。	未知	分层注意力机制、双向GRU、诊断代码的低维处理
Machine Learning-based Prediction of Postoperative 30-days Mortality（CSAE 2021.10.19）	本研究的目的是使用机器学习算法，特别是Bagging和Boosting算法(如Random Forest, eXtreme Gradient Boosting)，预测65岁以上手术患者术后30天的死亡率，并使用遗传算法(GA)识别最佳特征。	四川大学华西医院电子健康档案(EHRs)的7467例手术患者	4个不同的概念:患者、术前数据、术中事件和术后事件。这些数据然后被用来填充一系列的测量和指标，如ASA的身体状态，葡萄糖，和其他。完整的特征列表包括基本的人口信息，如年龄、性别和身体质量指数;手术前可获得的实验室检测，例如白蛋白和总胆红素;描述性术中生命体征，如舒张压值;药物和液体干预的总结，如总输液;共病，如糖尿病;以及患者手术描述，手术类型等。	最终有73个特征被确定	随机森林(RF)，逻辑回归(LR)， XGBoost，和多层感知器(MLP)。
Development and validation of the Surgical Outcome Risk Tool(SORT)（British Journal of Surgery 2014.2.1）	现有的风险分层工具有局限性，临床经验表明它们并没有常规使用。本研究的目的是开发和验证一种术前风险分层工具，通过分析观察性国家患者结局和死亡保密调查(NCEPOD)了解风险研究的数据，预测成人非心脏手术后30天的死亡率。	16 788名患者	美国麻醉医师协会(American Society of anesthesologists)身体状况等级(ASA-PS)、手术急迫性(加急、紧急、立即)、高危外科专科(胃肠道、胸外科、血管外科)、手术严重程度(由轻到重)、癌症、年龄65岁及以上	6个变量	逻辑回归

1.Development and validation of machine learning models to identify high-risk surgical patients using automatically curated electronic health record data (Pythia): A retrospective, single-site study

  电子健康记录（EHR）是病人的纸质记录的电子化版本。EHR是智能医疗的重要组成部分，电子健康记录可以

• 包含患者的病史，诊断，用药，治疗计划，免疫接种日期，过敏，放射影像以及实验室和测试结果。
• 允许访问基于证据的工具，医生可以使用这些工具来做出有关患者护理的决定。
• 自动化和简化医生护士工作流程。

  Pythia是一个自动化的、临床管理的外科数据管道和存储库，存储来自大型、第四系、多站点的数据科学活动卫生研究所的所有外科患者电子健康记录(EHR)数据。为了更好地从复杂的数据中识别出高风险的手术患者，我们建立了一个基于Pythia的机器学习项目来预测术后并发症的风险。