基于AI的“精準武器” 可更有效評估髖關節修復手術術前風險

髖部骨折的發病率因人口老齡化逐年上升，幾乎所有髖部骨折患者都需要接受手術治療，而麻醉干預是不可避免的。在術前評估門診中，麻醉師需要對患者進行全面的術前評估，來提高患者護理質量并降低死亡率。而現有的輔助評估工具存在多種問題，要么易于使用但忽略了許多重要參數，要么包含參數全面但醫生工作過于繁瑣。因而，開發一個包含多個參數的自動化術前評估系統迫在眉睫。

近期，發表在BMC Anesthesiology 的一項回顧性研究，旨在開發一種基于機器學習的髖關節修復手術術前風險評估系統，幫助麻醉師預測患者術后出現主要綜合不良事件、術后入住ICU、住院時間延長(PLOS)等相關風險。研究結果表明，基于機器學習算法的AI輔助風險評估系統相比傳統最廣泛使用的ASA-PS風險分層方法更能有效、準確的評估髖關節手術相關風險，且獲得了麻醉師的高滿意度評分。

7種算法進行模型訓練 預測不良結果風險

研究采集了2013年1月1日至2020年3月31日期間在臺灣奇美醫療中心及其2家分院接受髖部骨折手術治療的成年患者數據，對符合納排標準的4448名患者數據進行分析。

研究使用了邏輯回歸、隨機森林、K最近鄰(KNN)、支持向量機(SVM)、光梯度提升機(light GBM)、極端梯度提升(XGBoost)和多層感知深度學習(MLP)7種機器學習算法進行模型訓練，從HIS數據集中選擇22個術前變量（括人口統計學數據、合并癥和主要的術前實驗室數據等）導入7種機器學習算法，其中70%的數據用于訓練，30%的數據用于測試。利用AUROC值最高的最佳模型構建基于Web的風險評估系統，集成到醫院信息系統(HIS)中供臨床使用。研究將術后綜合不良事件（如院內死亡率、急性心肌梗死、腎衰竭、敗血癥等）設定為主要結果，將術后ICU入院、PLOS設定為次要結果。

風險評估系統開發流程圖