AI Summary & Key Takeaways
AI InsightThe ability of ML algorithms to reinforce themselves with local data and adapt to changing clinical contexts highlights their potential for enhancing predictive accuracy over time.
📌 3 Key Takeaways
Abstract
OBJECTIVE: Excessive bleeding during cardiovascular surgery poses significant risks to patients, necessitating accurate prediction of erythrocyte suspension (ES) requirements for optimal perioperative management. This study aims to compare the efficacy of machine learning (ML) algorithms against conventional scorings in predicting ES needs during coronary artery bypass grafting (CABG) surgeries. MATERIAL AND METHODS: The ML algorithm, developed using patient demographic, preoperative, and surgical data, was compared with six established bleeding prediction scores. ES need predictions were analyzed using logistic regression-based neural networks. RESULTS: A total of 430 patients undergoing isolated CABG surgeries were included in the analysis. ML algorithms demonstrated comparable predictive power to conventional scoring systems, with an accuracy of 75.5% for predicting any ES need and 93.8% for predicting the need for >2 units of ES. Among traditional scoring systems, the TRUST score exhibited the highest predictive ability, followed by the TRACK and WILL BLEED scores. CONCLUSIONS: The ML algorithm showed potential for local adaptation and self-improvement, enhancing its utility in perioperative planning. Our findings underscore the feasibility of ML algorithms in optimizing blood product utilization in cardiovascular surgery. Further research is warranted to explore the scalability and generalizability of these models across diverse clinical settings. ML predictions for ES transfusion readiness in patients prior to CABG surgery demonstrate a high degree of accuracy and comparable performance to traditional scoring systems. The ability of ML algorithms to reinforce themselves with local data and adapt to changing clinical contexts highlights their potential for enhancing predictive accuracy over time.
Özet
AMAÇ: Kardiyovasküler cerrahi sırasında aşırı kanama, hastalar için önemli riskler oluşturur ve optimal perioperatif yönetim için eritrosit süspansiyonu (ES) gereksinimlerinin doğru bir şekilde tahmin edilmesini gerektirir. Bu çalışma, koroner arter baypas greftleme (CABG) ameliyatları sırasında ES ihtiyaçlarını tahmin etmede makine öğrenimi (ML) algoritmalarının geleneksel puanlamalara karşı etkinliğini karşılaştırmayı amaçlamaktadır. GEREÇ VE YÖNTEM: Hastaların demografik, ameliyat öncesi ve cerrahi verileri kullanılarak geliştirilen ML algoritması, altı bilinen kanama tahmin skoruyla karşılaştırıldı. ES ihtiyacı tahminleri lojistik regresyon tabanlı sinir ağları kullanılarak analiz edildi. BULGULAR: İzole CABG ameliyatları geçiren toplam 430 hasta analize dahil edildi. ML algoritmaları, herhangi bir ES ihtiyacını tahmin etmede %75,5 ve >2 ünite ES ihtiyacını tahmin etmede %93,8 doğrulukla geleneksel puanlama sistemlerine benzer tahmin gücü gösterdi. Geleneksel puanlama sistemleri arasında, TRUST puanı en yüksek öngörü yeteneğini sergiledi, ardından TRACK ve WILL BLEED puanları geldi. SONUÇ: ML algoritması, perioperatif planlamada kullanımını artırarak, yerel adaptasyon ve kendini iyileştirme potansiyeli gösterdi. Bulgularımız, kardiyovasküler cerrahide kan ürünü kullanımını optimize etmede ML algoritmalarının uygulanabilirliğini vurgulamaktadır. Bu modellerin çeşitli klinik ortamlarda ölçeklenebilirliğini ve genelleştirilebilirliğini keşfetmek için daha fazla araştırma yapılması gerekmektedir. CABG ameliyatından önce hastalarda ES transfüzyon hazırlığı için ML tahminleri, geleneksel puanlama sistemlerine kıyasla yüksek derecede doğruluk ve karşılaştırılabilir performans göstermektedir. ML algoritmalarının kendilerini yerel verilerle güçlendirme ve değişen klinik bağlamlara uyum sağlama yeteneği, zaman içinde öngörü doğruluğunu artırma potansiyellerini vurgulamaktadır.