机器学习用于基准测试青少年异常脊椎病变手术结果
Aditi Gupta1,2, Inez Y Oh1, Seunghwan Kim1
1Institute for Informatics, Washington University School of Medicine, St. Louis, MO.
Spine
|May 30, 2023
概括
机器学习模型可以改善青少年异常学脊椎病 (AIS) 手术的基准测试,根据停留时间和血液流失等结果对性能进行分类. 然而,预测患者报告的疼痛和自我形象得分仍然具有挑战性.
科学领域:
- 整形外科手术 整形外科手术
- 机器学习应用程序 机器学习应用程序
- 手术后果分析手术后果分析
背景情况:
- 机器学习 (ML) 在骨科手术中提供了新的预测建模.
- 手术基准测试,一个过程改进工具,可以从ML中受益.
- 现有的基准缺乏标准化的比较"黄金标准".
研究的目的:
- 设计一个风险分层的基准测试工具,用于青少年异常学脊椎病 (AIS) 手术.
- 评估ML模型在预测手术结果方面的有效性.
- 建立一个客观的外科医生绩效评估框架.
主要方法:
- 分析了6076次AIS手术的回顾性队列.
- 在数据子集上训练了三个ML回归模型 (整个注册表,10年,5年).
- 模型预测了停留时间,估计的血液损失,手术时间,SRS-疼痛和SRS-自影,与性能相对于平均性能进行分类.
主要成果:
- 整体ML方法在预测停留时间,估计血液损失和手术时间方面表现优于传统回归.
- 在最近的数据 (5年) 上训练的模型在预测停留时间和血液损失方面是最佳的.
- 机器学习模型无法可靠地预测脊椎病研究学会-疼痛或SRS-自画像得分;精确的连续变量估计有很高的错误.
结论:
- 整体ML技术提高了AIS手术中的基准结果的分类.
- 基于ML的绩效分类为外科医生绩效计划提供了更好的案例调整.
- 准确预测患者报告的结果和连续变量是不可行的,支持分类而不是精确估计性能评估.
