基于机器学习的预测,在宫椎间盘关节形成术患者的短期不良术后结果

科学领域:

• 脊柱外科手术 脊柱外科手术
• 机器学习在医学中的应用
• 手术结果研究研究.

背景情况:

• 宫椎间盘关节整形术 (CDA) 是一种常见的手术,可能会产生短期的不良术后结果.
• 准确预测这些结果对于患者管理和风险分层至关重要.

研究的目的:

• 评估机器学习 (ML) 算法在预测CDA后短期不良术后结果方面的有效性.
• 开发一个可访问的基于网络的工具来预测这些结果.

主要方法:

• 利用美国外科医生学院国家外科质量改进计划 (NSQIP) 数据库来获取患者数据.
• 开发并比较了四个ML算法,以预测组合不良事件 (长期停留,重大并发症,非家庭出院,30天再入院).
• 将集成的预测模型集成到一个开放访问的Web应用程序中.

主要成果:

• 分析包括6604名接受CDA的患者.
• ML模型实现了0.814的接收器运行特征曲线 (AUROC) 下的平均面积,准确率为87.8%.
• 沙普利添加式解释 (SHAP) 确定白人种族是所有模型中最重要的预测变量.

结论:

• 机器学习方法显示出预测CDA手术后结果的巨大潜力.
• 这些预测模型可以作为有价值的临床决策工具,增强风险评估和预后.
• 公开可用的CDA预测模型被介绍为帮助临床实践.