Development and prospective validation of postoperative pain prediction from preoperative EHR data using attention-based set embeddings.
Development and prospective validation of postoperative pain prediction from preoperative EHR data using attention-based set embeddings.
复制标题
DOI：
10.1038/s41746-023-00947-z
复制
发表时间：
2023-11-16
影响因子：
15.2
通讯作者：
中科院分区：
文献类型：
--
作者：
术前对预期术后疼痛的了解有助于指导围手术期疼痛管理，并将干预重点放在急性疼痛风险最大的患者身上。然而，目前用于预测术后疼痛的方法需要患者和临床医生输入或费力的手动图表审查，并且通常不能实现足够的性能。我们使用从234，274名成人非心脏手术患者的多中心数据集中常规收集的电子健康记录数据来开发机器学习方法，该方法预测手术当天和随后四天的最大疼痛评分，并在前瞻性队列中验证该方法。我们的方法，POPS，是完全自动化的，只依赖于手术前可用的数据，允许应用于所有计划或考虑手术的患者。在这里，我们报告说，在前瞻性验证中，当预测0-10 NRS上的最大疼痛时，POPS实现了最先进的性能，并且在所有术后天数的表现都优于临床医生的预测，尽管校准降级。POPS是可解释的，可根据患者的具体情况识别显著导致术后疼痛的合并症，这可以帮助临床医生减轻急性疼痛病例。
Preoperative knowledge of expected postoperative pain can help guide perioperative pain management and focus interventions on patients with the greatest risk of acute pain. However, current methods for predicting postoperative pain require patient and clinician input or laborious manual chart review and often do not achieve sufficient performance. We use routinely collected electronic health record data from a multicenter dataset of 234,274 adult non-cardiac surgical patients to develop a machine learning method which predicts maximum pain scores on the day of surgery and four subsequent days and validate this method in a prospective cohort. Our method, POPS, is fully automated and relies only on data available prior to surgery, allowing application in all patients scheduled for or considering surgery. Here we report that POPS achieves state-of-the-art performance and outperforms clinician predictions on all postoperative days when predicting maximum pain on the 0–10 NRS in prospective validation, though with degraded calibration. POPS is interpretable, identifying comorbidities that significantly contribute to postoperative pain based on patient-specific context, which can assist clinicians in mitigating cases of acute pain.
登录
查看更多内容
影响因子：
3
作者：
Hur J;Tang S;Gunaseelan V;Vu J;Brummett CM;Englesbe M;Waljee J;Wiens J
通讯作者：
Wiens J
影响因子：
5.7
作者：
Hah JM;Bateman BT;Ratliff J;Curtin C;Sun E
通讯作者：
Sun E
影响因子：
4
作者：
Chou, Roger;Gordon, Debra B.;Wu, Christopher L.
通讯作者：
Wu, Christopher L.
影响因子：
5.7
作者：
Apfelbaum, JL;Chen, C;Gan, TJ
通讯作者：
Gan, TJ
影响因子：
7.2
作者：
Collins, Gary S.;Reitsma, Johannes B.;Moons, Karel G. M.
通讯作者：
Moons, Karel G. M.