Применение машинного обучения для прогнозирования длительного употребления опиоидов после артропластики суставов нижней конечности

ОБОСНОВАНИЕ: Целью этого исследования является разработка прогностических моделей длительного употребления опиоидов после артропластики суставов нижней конечности и определение того, может ли ансамблевое обучение и методика передискретизации повысить эффективность моделей. МЕТОДЫ: Мы сравнили различные прогностические модели для выявления пациентов с риском длительного послеоперационного употребления опиоидов, используя разнообразные дооперационные, интраоперационные и послеоперационные данные, включая вид хирургического вмешательства, демографические и клинические характеристики пациентов, хирургический анамнез, анамнез употребления опиоидов, сопутствующие заболевания, особенности образа жизни, сведения об анестезии и течение послеоперационного периода в стационаре. Были оценены шесть классификационных моделей: логистическая регрессия, классификатор на основе случайного леса, простая полносвязная нейронная сеть прямого распространения, сбалансированный классификатор на основе случайного леса, сбалансированный классификатор бэггинга и классификатор опорных векторов. Также оценивали эффективность с применением метода синтетической передискретизации меньшинства (Synthetic Minority Oversampling Technique, SMOTE). Для расчета F1-мер и площади под кривой рабочих характеристик приемника (AUC) применяли многократную стратифицированную перекрестную проверку k-блоками. РЕЗУЛЬТАТЫ: В исследование вошли 1042 пациента, которым была выполнена плановая артропластика коленного или тазобедренного сустава; у 242 пациентов (23,2%) отмечалось длительное употребление опиоидов. Без применения SMOTE модель логистической регрессии имела F1-меру 0,47 и AUC 0,79. Все ансамблевые методы показали лучшие результаты; у сбалансированного классификатора бэггинга F1-мера составила 0,80, а AUC — 0,94. SMOTE повысил эффективность всех моделей по показателю F1-меры. В частности, у сбалансированного классификатора бэггинга F1-мера повысилась до 0,84, а AUC — до 0,96. Наибольшую значимость в модели сбалансированного бэггинга имели следующие признаки: употребление опиоидов в первые послеоперационные сутки, индекс массы тела, возраст, дооперационное употребление опиоидов, назначение опиоидов при выписке и продолжительность пребывания в стационаре. ВЫВОДЫ: Ансамблевое обучение может значительно повысить эффективность прогностических моделей длительного употребления опиоидов. Точная и ранняя идентификация пациентов высокого риска может играть роль в клинической...