توسعه مدل یادگیری ماشینی چندمتغیره برای پیش بینی مرگ ومیر پس از جراحی پایومترا در سگ ها

پایومترا عفونتی شدید و کشنده در سگ های ماده است که با وجود پیشرفت های درمانی، مرگ ومیر بالایی دارد. این مطالعه با هدف توسعه و اعتبارسنجی یک مدل یادگیری ماشینی چندمتغیره برای پیش بینی زودهنگام خطر مرگ پس از جراحی اوواریوهیسترکتومی در سگ های مبتلا به پایومترا انجام شد. داده های ۲۱۲ سگ ماده مبتلا به پایومترا که طی سال های ۱۳۹۹ تا ۱۴۰۴ در سه بیمارستان دامپزشکی شهر تهران تحت عمل اوواریوهیسترکتومی قرار گرفته بودند، بررسی شدند. اطلاعات از پرونده های بالینی و تصویربرداری بیماران استخراج شد. متغیرهای تحلیل شده شامل داده های دموگرافیک (سن و نژاد) و شاخص های بالینی و التهاب سیستمیک (SIRS) مانند دمای بدن، ضربان قلب، وضعیت تنفس و لکوسیتوز بودند که به عنوان نشانگر شدت پاسخ بدن به عفونت در نظر گرفته شدند. متغیرهای آزمایشگاهی در دو گروه کلی شامل شاخص های بیوشیمیایی و هماتولوژیک بررسی و یافته های تصویربرداری شامل میزان افیوژن صفاقی، اندازه و الگوی محتویات رحم، وجود گاز آزاد در حفره ی شکمی و نشانه های احتمالی پارگی رحم نیز مورد ارزیابی قرار گرفتند. داده های گمشده با روش برآورد چندگانه جایگزین و تمام متغیرها استانداردسازی شدند. سه الگوریتم اصلی شامل رگرسیون لجستیک جریمه دار (Penalized Logistic Regression)، جنگل تصادفی (Random Forest) و گرادیان بوستینگ (Gradient Boosting) برای پیش بینی مرگ ومیر طی ۴۸ ساعت پس از عمل استفاده شدند. در مجموع ۱۶ مورد مرگ (۷.۵٪) ثبت شده بود. مدل گرادیان بوستینگ با ۹۱/۰AUROC=، p<۰.۰۰۱ بالاترین دقت را نشان داد، در حالی که مدل