米兰体育官方网站 利用机器学习针对手术部位感染 (SSI) 减轻远程术后监测的负担

引用

McLean K、Sgrò A、Brown L、Buijs L、Potter M、Boamrane MM 和 Harrison E (2024) 使用机器学习进行手术部位感染 (SSI) 减轻术后远程监控的负担。英国外科杂志，111（Supplement_6），艺术。编号：znae163.012。 https://doi.org/10.1093/bjs/znae163.012

摘要
目标： 开发新的方法来自动评估远程术后伤口 (RPW) 监测中患者生成的数据，以减轻亲自评估的临床分类负担。 方法： 这是对 RPW 监测干预研究的二次分析：“covid-19 大流行期间远程手术伤口评估的实施”(INROADE)。 INROADE 包括接受胃肠手术的成年患者，他们可以提交手术伤口的图像，以及患者报告的术后 30 天的 SSI 症状。我们开发了单独的模型，根据患者报告的症状（逻辑回归）和伤口图像（卷积神经网络 [CNN]）在 48 小时内预测 SSI 的临床诊断。使用曲线下面积 (AUC) 评估模型性能，置信区间为 95%。在 RPW 监测路径中模拟了实施自动评估的影响，以“排除”需要临床医生分类的反应。 结果： 在纳入的 200 名患者中，有 1529 名患者做出答复，其中 3.3%（n=51）在 SSI 后 48 小时内提交。使用逻辑回归对患者报告的症状进行了很好的区分（AUC：0.830，0.765-0.894）。使用 2,125 张图像来开发 CNN，其在​​识别 48 小时 SSI 方面表现出中等辨别力（AUC：0.615、0.556-0.674）。据估计，在临床分诊之前筛选“低风险”反应可将工作人员的分娩时间缩短一半（12.2 小时 vs 25.5 小时），同时保持诊断准确性（AUC：0.760 [0.685-0.834] vs 0.789 [0.717-0.861]）。 结论： 自动化评估可以在 RPW 监测路径中成功部署，以减轻工作人员的负担，同时不影响护理，并允许将资源适当地分配给那些 SSI 风险最大的人。

关键字
成人；曲线下面积；手术伤口感染；分类；诊断;手术切口；胃肠道手术；监视;医疗的;机器学习；临床诊断；二次数据分析；卷积神经网络；冠状病毒大流行

期刊
英国外科杂志：第 111 卷，问题增刊_6