基于机器学习方法预测妇科手术麻醉恢复时间OA

目的构建妇科手术中麻醉恢复时间预测模型并验证。方法回顾性收集来自湖南省妇幼保健院2022年9月至2023年8月495例妇科手术,数据预处理后,构建逻辑回归(LR)模型、支持向量机(SVM)模型、多层感知器(MLP)模型、自适应提升(AdaBoost)模型、梯度提升决策树(GBDT)模型、随机森林(RF)模型、极限梯度提升(XGBoost)模型、类别提升(CatBoost)模型及引导聚集(Bagging)算法9个模型。为评估机器学习模型的预测准确性,绘制了受试者操作特征(ROC)曲线并比较曲线下面积(AUC)。针对最佳模型,探索各个特征在最佳模型中的重要性,并进行十折交叉验证最佳模型的适用性和稳定性。结果在495例患者中,全身麻醉恢复时间≥2 h者为A组,94例;<2 h者为B组,有401例。根据性能指标,9个模型中最佳模型为XGBoost(AUC为0.8701)。特征重要性分析中发现拔管时间与全身麻醉恢复时间关系密切。在十折交叉验证,该模型表现出了良好的普适性和稳定性。结论利用多种数据构建的XGBoost模型,有良好的预测表现和临床价值。