手术风险分层和结局预测中缺失了什么：端到端机器学习方法的范围综述

arXiv cs.LG 论文
surgical-risk machine-learning electronic-health-records clinical-prediction scoping-review

摘要

一项对190项研究的范围综述，描述了使用电子健康记录（EHR）数据进行手术风险分层和结局预测的端到端机器学习流程，并识别了预处理、评估和可解释性方面的方法论空白。

arXiv:2607.29090v1 公告类型：新 摘要：术后不良事件（包括死亡率和发病率）仍然是全球重大负担，其中许多可以通过早期识别高风险患者和有针对性的围手术期护理来预防。因此，准确的风险分层至关重要。随着大规模电子健康记录（EHR）的日益普及，机器学习（ML）提供了一种数据驱动的方法来建模复杂的临床模式。然而，现有研究在设计上差异很大，方法学实践仍然零散。本范围综述描述了使用EHR数据进行手术风险分层和结局预测的ML流程。我们回顾了190项研究，涵盖ML工作流程，包括数据预处理、算法选择、模型评估和可解释性。大多数研究依赖单一中心的私有数据集，数据模式有限，而开放获取的手术数据集的稀缺限制了可重复性和泛化性。关键预处理步骤的报告（包括缺失数据处理、特征选择和类别不平衡）往往不完整。传统ML模型和简单神经网络占主导地位，而深度学习和多模态方法仍不常见。基准数据集和标准化评估协议基本缺失，阻碍了跨研究比较。只有约三分之一的研究采用了可解释性方法。本综述指出了限制临床稳健的术后ML工具的方法学空白，并为围手术期护理中更严谨、可重复和具有临床意义的ML开发提供了结构化参考。
查看原文
查看缓存全文

缓存时间: 2026/08/03 07:36 

# 手术风险分层与结局预测中缺失了什么：端到端机器学习方法的范围综述
来源：https://arxiv.org/abs/2607.29090
查看 PDF（https://arxiv.org/pdf/2607.29090）

> 摘要：术后不良事件（包括死亡率和并发症）仍然是全球重大负担，其中许多事件可通过早期识别高风险患者和有针对性的围手术期护理加以预防。因此，准确的风险分层至关重要。随着大规模电子健康记录（EHRs）的日益普及，机器学习（ML）提供了一种数据驱动的方法来模拟复杂的临床模式。然而，现有研究在设计上差异很大，方法学实践仍不统一。本范围综述描述了使用EHR数据进行手术风险分层和结局预测的ML流程。我们回顾了190项研究，涵盖ML工作流程，包括数据预处理、算法选择、模型评估和可解释性。大多数研究依赖单中心私有数据集，数据模态有限，而开放获取的手术数据集的稀缺限制了可重复性和泛化性。关键预处理步骤（包括缺失数据处理、特征选择和类别不平衡）的报告往往不完整。传统ML模型和简单神经网络占主导地位，而深度学习和多模态方法仍不常见。基准数据集和标准化评估协议基本缺失，阻碍了跨研究比较。只有约三分之一的研究采用了可解释性方法。本综述指出了限制临床稳健的术后ML工具的方法学差距，并为更严谨、可重复、具有临床意义的围手术期ML开发提供了结构化参考。

## 提交历史

来自：Yizhi Dong \[查看电子邮件（https://arxiv.org/show-email/b3b24258/2607.29090）\] **\[v1\]** 2026年7月31日星期五 07:16:50 UTC（1,171 KB）

相似文章

机器学习在医疗领域应用综述

ML at Berkeley

本博客文章对机器学习在医疗保健领域的应用进行了高层面综述，涵盖医学影像、可穿戴设备和分子生物学。文章强调了机器学习如何推动医学从治疗型向预防型转变，并在不取代医护人员的前提下优化医院工作流程。

利用生理信号通过机器学习预测考试结果

arXiv cs.LG

本研究探讨了利用皮肤电活动、心率和皮肤温度等生理数据，通过机器学习模型预测考试结果，发现深度学习方法与随机森林等简单模型均能有效发挥作用。

从结构化临床数据预测心血管风险的大语言模型

arXiv cs.CL

本文提出了一种混合框架，将结构化临床数据与LLM生成的叙述相结合，用于冠状动脉疾病预测，在变量提取方面实现了高保真度，并比较了机器学习模型与基于LLM的零样本和少样本分类。