AI Summary & Key Takeaways
AI InsightMachine-learning approaches, particularly random forest models, may improve perioperative risk stratification in this population.
📌 3 Key Takeaways
Abstract
Older adults frequently undergo excision of cutaneous lesions under local anesthesia and may be at increased risk of postoperative complications due to comorbid conditions and concomitant medications. This study aimed to identify predictors of postoperative complications in patients aged 65 years and older and to compare the predictive performance of logistic regression with machine-learning models. This retrospective study included 314 patients who underwent cutaneous lesion excision under local anesthesia. Demographic, clinical, and perioperative variables were collected and assessed using multivariable logistic regression. Decision tree, random forest, and gradient boosting models were developed using an 80/20 training–testing split. Missing data were imputed, and class imbalance was addressed using resampling techniques. Model performance was evaluated using discrimination, calibration, and decision curve analysis. Postoperative complications occurred in 119 patients (37.9%). Patients with complications were older, had lower body mass index, and more frequently had diabetes, coronary artery disease, and antithrombotic therapy. Logistic regression identified low body mass index, diabetes, and coronary artery disease as independent predictors but demonstrated limited discriminatory ability. Among machine-learning models, the random forest achieved the best performance, with superior discrimination and calibration. Body mass index, perioperative blood pressure, age, and procedure duration were the most influential predictors. Postoperative complications are common among older adult patients undergoing cutaneous surgery under local anesthesia. Low body mass index, cardiometabolic comorbidities, perioperative hemodynamic factors, and operative duration are key determinants of risk. Machine-learning approaches, particularly random forest models, may improve perioperative risk stratification in this population.
Özet
Yaşlı bireylerde lokal anestezi altında yapılan kutanöz lezyon eksizyonları sık uygulanmakta olup, eşlik eden komorbiditeler ve birlikte kullanılan ilaçlar nedeniyle postoperatif komplikasyon riski artmış olabilir. Bu çalışmanın amacı, 65 yaş ve üzeri hastalarda postoperatif komplikasyonların öngördürücülerini belirlemek ve lojistik regresyon ile makine öğrenmesi modellerinin öngörü performanslarını karşılaştırmaktır. Bu retrospektif çalışmaya, lokal anestezi altında kutanöz lezyon eksizyonu yapılan 314 hasta dahil edildi. Demografik, klinik ve perioperatif değişkenler toplanarak çok değişkenli lojistik regresyon analizi ile değerlendirildi. %80/%20 eğitim–test bölünmesi kullanılarak karar ağacı, random forest ve gradient boosting modelleri geliştirildi. Eksik veriler imputasyon yöntemleriyle tamamlandı ve sınıf dengesizliği yeniden örnekleme teknikleri ile düzeltildi. Model performansı ayırt edicilik, kalibrasyon ve karar eğrisi analizi kullanılarak değerlendirildi. Postoperatif komplikasyonlar 119 hastada (%37.9) gözlendi. Komplikasyon gelişen hastalar daha ileri yaşta, daha düşük vücut kitle indeksine (VKİ) sahipti ve diyabet, koroner arter hastalığı ile antitrombotik tedavi öyküsü daha sıktı. Lojistik regresyon analizinde düşük VKİ, diyabet ve koroner arter hastalığı bağımsız öngördürücüler olarak saptandı; ancak modelin ayırt edici gücü sınırlıydı. Makine öğrenmesi modelleri arasında random forest en iyi performansı göstererek daha üstün ayırt edicilik ve kalibrasyon sağladı. VKİ, perioperatif kan basıncı, yaş ve işlem süresi en etkili öngördürücüler olarak belirlendi. Lokal anestezi altında kutanöz cerrahi uygulanan yaşlı hastalarda postoperatif komplikasyonlar sık görülmektedir. Düşük VKİ, kardiyometabolik komorbiditeler, perioperatif hemodinamik faktörler ve işlem süresi komplikasyon riskinin temel belirleyicileridir. Özellikle random forest modelleri olmak üzere makine öğrenmesi yaklaşımları, bu hasta grubunda perioperatif risk sınıflandırmasını iyileştirebilir.