哪个受监督的机器学习算法最能预测部骨髓病患者手术后部疼痛中临床重要的最小差异的实现? 一个QOD研究研究
Christine Park1, Praveen V Mummaneni2, Oren N Gottfried1
11Department of Neurosurgery, Duke University, Durham, North Carolina.
Neurosurgical focus
|June 7, 2023
概括
逻辑回归最好预测椎脊髓炎 (CSM) 患者部疼痛的临床重要差异 (MCID) 达到的最低值. 这种机器学习模型为手术结果提供可靠的临床分类.
科学领域:
- 神经外科 神经外科
- 机器学习 机器学习
- 临床结果研究研究
背景情况:
- 椎脊髓炎 (CSM) 显著影响部疼痛和生活质量.
- 预测手术后患者的康复对于管理预期和治疗效果至关重要.
研究的目的:
- 评估监督机器学习算法,用于预测部疼痛的临床重要差异最小值 (MCID).
- 确定预测CSM患者手术后部疼痛改善的最佳算法.
主要方法:
- 对前性CSM队列的回顾性分析.
- 训练并测试各种监督学习模型 (逻辑回归,SVM,随机森林等). ) 的情况.
- 在手术后3个月和24个月使用精度,F1分数,AUC,精度,回忆和特异性来评估模型性能.
主要成果:
- 后勤回归证明了最高的精度 (3个月:0.724,24个月:0.780) 和一致的整体性能.
- 虽然其他模型在特定指标 (例如,SVM用于特异性,MLP用于召回) 中显示出优势,但物流回归是最平衡的.
- 部疼痛的MCID在3个月后达到46.9%,在24个月后达到49.9%.
结论:
- 后勤回归是一种强大且始终有效的模型,用于预测CSM患者部疼痛中的MCID.
- 模型选择应与研究目标保持一致,准确性是预测真正的MCID成就的关键.
- 这些发现支持在手术结果的临床分类任务中使用后勤回归.
