基于真实世界数据构建术后急性中重度疼痛风险预测模型

目的:基于真实世界医学数据,构建及验证患者术后急性中重度疼痛风险预测模型。方法:筛选2020年4月至2021年4月在暨南大学附属广东省第二人民医院行择期麻醉手术的成年患者2434例,将术后24 h运动视觉模拟评分法(VAS)评分作为结局指标,将患者分为轻度疼痛和中重度疼痛两个队列,筛选与术后中重度疼痛发生相关的指标并进行单因素分析,将差异具有统计学意义(P<0.05)的指标用于构建预测模型,数据集以7:3的比例划分,用于建模与内部验证;筛选2021年5月至2021年8月的1200例相同条件的患者,这部分数据用于外部验证。通过受试者工作特征(ROC)曲线下面积(AUC)、准确度、F1等5种指标评估模型预测效果,采用夏普利算法(SHAP)图对最优模型进行解释。结果:随机森林(RF)预测模型整体性最好,基于SHAP分析可得出风险因素相对重要性排名,前六名依次是麻醉时长、手术时长、晶体使用量、体质量指数、胶体使用量和年龄。结论:本研究构建的术后急性疼痛预测模型体现出较好的预测性能。

术后急性中重度疼痛风险预测模型构建

目的:基于数据平台,应用机器学习算法构建术后急性中重度疼痛风险预测模型。方法:在数据平台中收集非日间且非局麻手术患者1634例用于模型建立和验证,收集1000例相同条件的患者用于外部验证;将患者分为干预组和对照组,使用术后运动VAS评分作为结局变量,采用机器学习算法构建预测模型,并以AUC、准确率、F1值等5种指标评估预测效果。结果:轻量级梯度提升机、随机森林、梯度提升、自适应提升4种模型在内部验证中AUC值均超过0.75;其中前3种模型在外部验证中AUC值均超过0.7;麻醉时长、手术时长、年龄、用药等变量在模型中展现出较高重要性。结论:基于数据平台和机器学习算法构建的术后急性中重度疼痛风险预测模型具有较好的准确性,可供临床参考。