定义临床上有意义的子组,用于在接受修订全关节整形手术的患者中进行风险分层:一种联合无监督和监督的机器学习方法
Yining Lu1, Harold I Salmons2, John P Mickley1
1Department of Orthopedic Surgery, Mayo Clinic, Rochester, Minnesota; Othropedic Surgery Artificial Intelligence Lab (OSAIL), Department of Orthopedic Surgery, Mayo Clinic, Rochester, Minnesota.
The Journal of arthroplasty
|June 18, 2023
概括
机器学习确定了高风险和低风险的患者组,用于修复全关节整形手术 (rTHA). 实验室和人口统计学等术前因素显著预测了更高的风险,有助于个性化患者护理.
科学领域:
- 整形外科手术 整形外科手术
- 数据科学数据科学数据科学
- 预测分析是一种预测分析.
背景情况:
- 在修复全关节整形术 (rTHA) 中开发风险分层的预测模型至关重要,但有限.
- 机器学习 (ML) 提供了一种新的方法,可以将接受rTHA的患者分为不同的风险小组.
研究的目的:
- 用ML将接受rTHA治疗的患者分为临床上有意义的高风险和低风险亚组.
- 在接受rTHA的患者中确定高风险的关键手术前预测因素.
主要方法:
- 从国家数据库中对7425名接受rTHA治疗的患者进行了回顾性分析.
- 无监督随机森林算法用于将患者分成风险层.
- 监督的ML算法 (极端梯度提升) 来识别高风险预测因素.
主要成果:
- 确定了3,135个高风险和4,290个低风险患者子组.
- 在30天死亡率,重新手术/再接收率,退院类型和住院时间之间观察到显著的差异.
- 高风险的关键预测因素包括低血小板,异常血红素,晚年,低白蛋白,高INR,高BMI,ASA类≥3,异常BUN/肌素,高血压,凝血病,以及对骨折/感染的修订.
结论:
- ML集群有效地确定了对rTHA患者具有临床意义的风险层.
- 手术前的实验室值,人口统计数据和手术指示是区分高风险患者和低风险患者的主要决定因素.
