虽然大多数卫生系统正处于使用人工智能和机器学习来预测手术并发症的旅程的开始，但处于这门科学前沿的外科医生正在通过研究克服人工智能障碍的方法来扩展我们的知识。

这些文章提出了不同的问题，但它们的共同点是，它们都在研究将 AI 用于解决手术部位感染问题的挑战。

如果没有前瞻性地进行，使用训练有素的观察员检查每个切口，ssI 患病率的研究很难进行和解释。回顾性研究总是让人怀疑究竟观察到了什么，是否由于门诊环境中的零星报告而无意中遗漏了患者，或者数据报告是否不完整。此外，由于感染率低，需要数千名患者获得足够的统计能力来研究清洁手术。

一项由明尼苏达州罗彻斯特市梅奥诊所的研究人员进行的研究解决了数据缺失问题，这可能会影响 SSIs 的回顾性分析和随后的前瞻性预测。

机器学习的好处在于，它允许系统随着模型的发展不断改进模型，只要您可以获得供系统查看的数据；他们想知道缺失数据对感染模型能力的影响。

为了评估处理缺失数据的方法，Cima 博士和他的同事将贝叶斯概率回归模型与多重插补 (BPMI) 与广义线性模型 (GLM) 在预测结肠直肠深器官空间 ssIs (C-OSIs，例如, 术后腹腔脓肿）。

在 2006 年至 2014 年间在梅奥诊所进行的 2,376 次择期结直肠切除术中，C-OSI 率为 4.6% (108)。BPMI 模型识别出这些患者中的 57 名：敏感性为 56%，而 GLM 的敏感性为 47%。BPMI 模型在建立模型以使用机构外数据（即基于美国外科医师学会国家外科质量改进计划）时失去了优势，将其敏感性降低到 47%。

他们得出的结论是，为了获得最佳性能，BPMI 模型应该使用“特定于单个机构的数据”来构建。

将看到越来越多的这些模型，人们需要了解它们的局限性，以及如何在他们的机构中使用它们。

有人会基于非常异构的数据集开发一个大模型，这些数据集可能无法反映单个医院的风险状况或患者状况。当模型从未被设计为在他们的环境中使用时，他们会受到惩罚或让他们看起来表现不佳。

由于回顾性图表审查很麻烦，其他研究人员试图使用机器学习和自然语言处理来自动化该过程。另一项研究专门调查了 ssI 检测机器学习生成算法的普遍性，发现在一个中心设计的机器学习模型在另一个中心也同样有效。

正处于机器学习和人工智能在医疗保健领域得到更广泛应用的加速阶段，但验证模型的工作并不总是以最佳方式完成。在许多情况下，希望它像一种“即插即用”技术，可以在其中安装解决方案并运行。但事实是，在某些情况下，性能会下降或需要更多优化。

为此，梅尔顿博士和她的同事测试了使用来自其机构 8,883 名患者的电子健康记录 (EHR) 数据开发和验证的自动 ssI 检测算法，然后将这些算法应用于加利福尼亚大学旧金山分校的 1,473 名患者.

观察浅表、切口、器官间隙和总 ssI 并发症的检测，研究人员发现任何结果的曲线下面积没有差异。他们得出结论，在一个站点开发的算法可以推广到另一个站点（J Am Coll Surg 2021;232[6]:P963-P971）。

目前，在 EHR 中没有记录 ssIs 的标准方式，这将使人们更容易提取数据——如果它们有记录的话。在这里，他们使用机器学习和 AI 来查看记录，寻找与 ssI 存在相关的某些术语，说筛选过程可能是自动化的，具有特殊优势，即需要手动审查低风险病例可能会被消除。

他们开发了一种工具，可以让监控人员更容易准确地找到这些 ssI 案例。

那么，是什么解释了两篇论文之间在普遍性上的差异？两个博士。Cima 和 Melton 怀疑这与机构的特点、他们看诊的患者类型和外科医生的执业方式以及每个算法旨在回答的问题有关。

在这个案例中，用来构建模型的东西似乎是稳健和良好的，但尚不清楚这是否会在全国范围内推广。这些都是学术卫生系统；在较小的中心、不同的患者群体或随着手术方法的变化随着时间的推移，情况可能会有所不同。