Analiza faktorjev tveganja in napovedovanje pojava globoke sternalne okužbe po posegu kirurške revaskularizacije srcaKamenšek, Tina (Avtor) Žibert, Janez (Mentor) Kališnik, Jurij Matija (Komentor) kirurška revaskularizacija srcaglobok sternalni infektstrojno učenjenapovedni modeliGloboka sternalna okužba (angl. deep sternal wound infection ali DSWI), ki se lahko pojavi po posegu na odprtem srcu, povzroča večjo obolevnost in dvakrat višjo stopnjo smrtnosti, po zadnjih podatkih kar 15 %. Globoka sternalna okužba se pojavi pri 1–4% bolnikov po kirurški revaskularizaciji srca ter je povezana z znižanim preživetjem, podaljšano hospitalizacijo, višjo stopnjo reoperacij in povečano porabo finančnih in materialnih virov. Obstaja že nekaj točkovalnih sistemov s ciljem prepoznavanja visoko ogroženih bolnikov za pojav globoke sternalne okužbe, ki pa so različno sestavljeni in kompleksni za uporabo. Namen raziskave je ugotoviti pomembnost posameznih faktorjev tveganja za končno postoperativno oceno ogroženosti bolnikov za pojav globokega sternalnega infekta in s tem izboljšanje zgodnje detekcije rizičnih bolnikov, med drugimi tudi z uporabo metod umetne inteligence. Kohorto naše študije je sestavljalo 5221 bolnikov, po posegu kirurške revaskularizacije srca z uporabo zunajtelesnega obtoka. Iz povzetka referenčnih točkovalnih sistemov in novih predlogov dejavnikov tveganja smo izdelali tri različne modele faktorjev tveganja, ki smo jih validirali in med seboj primerjali z logistično regresijo in ROC (angl. receiver operating characteristic) analizo. Kasneje so bili uporabljeni še novejši pristopi umetne inteligence, extreme gradient boosting (XGB) in globoke nevronske mreže (angl. deep neural network - DNN), ki so pripomogli še k boljši napovedi v primerjavi s pogosteje uporabljeno metodo logistične regresije. Predstavljena raziskava je validirala obstoječe faktorje tveganja in odkrila nekaj novih. Končni model logistične regresije je sestavljalo 12 neodvisnih faktorjev tveganja, ki so obsegali tudi nabor kratkoročnih pooperativnih zapletov, in so občutno izboljšali napoved tveganja pojava globokega sternalnega infekta. Tudi metode umetne inteligence so v primerjavi s tradicionalnimi metodami to napoved izboljšale. To je dobra osnova za nadaljnji razvoj aplikacij, ki bodo omogočile lažjo implementacijo tovrstnih napovednih modelov v klinično uporabo.20252025-02-28 07:15:48Doktorsko delo/naloga167567VisID: 30485sl