机器学习模型的开发和验证,以预测在脊椎增强后即将发生的新脊椎骨折

科学领域:

• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 整形外科 整形外科 整形外科

背景情况:

• 在骨质疏松性脊椎压缩骨折 (OVCFs) 脊椎增强 (VA) 后预测新的脊椎骨折 (NVFs) 仍然是一个临床挑战.
• 目前的方法在识别高风险临近VA后NVF的患者时缺乏有效性.

研究的目的:

• 开发和验证一种机器学习模型,用于预测VA后即将发生的NVF.
• 该模型将来自MRI的放射学特征与临床因素相结合.

主要方法:

• 分析了235名OVCF患者接受VA治疗的队列.
• 从T1加权的MRI中提取了放射性特征,并使用LASSO构建了放射性特征.
• 随机生存森林 (RSF) 和COX比例危险 (CPH) 模型在独立的数据集上进行了训练和验证.

主要成果:

• 与CPH模型相比,RSF模型结合了放射学特征和脊髓内裂 (IVC) 显示出更高的预测性能.
• 在培训和验证套件中,RSF实现了更高的C指数 (0.763-0.773) 和AUC (0.839-0.907).
• RSF模型表现出更好的校准,决策曲线分析的好处,以及更低的预测误差.

结论:

• 集成的RSF模型显示了预测VA后即将发生的NVF的巨大潜力.
• 这种预测工具可以帮助优化风险患者的术后随访和治疗策略.