使用多个指标来预测骨骨折ORIF后手术部位感染的风险:基于机器学习的研究

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 预防传染病 预防传染病

背景情况:

• 手术部位感染 (SSI) 是骨骨折的开放缩小和内部固定 (ORIF) 后的一个重要并发症.
• 这些感染可能会导致严重的患者结果和增加医疗保健成本.

研究的目的:

• 开发和验证基于机器学习 (ML) 的预测模型,用于识别骨骨折后SSI高风险的患者ORIF.
• 帮助实施针对SSI的个性化预防和治疗策略.

主要方法:

• 对351名骨折的患者进行了回顾性分析ORIF.
• 利用人口,手术和实验室数据来训练十种不同的ML算法.
• 使用十倍交叉验证和ROC曲线评估模型性能,并对临床实用性进行决策和校准曲线分析.

主要成果:

• 极端树 (ET) 模型表现出卓越的性能,AUC值为0.853 (训练) 和0.866 (测试).
• ET模型显示出出色的临床实用性,并确定了关键的预测特征.
• 在351名患者中,51名 (14.53%) 患有SSI,包括15名深度感染和36名表面感染.

结论:

• 成功开发了一种基于ML的SSI强大的多变量预测模型,用于骨折后的SSIORIF.
• 该模型的优势在于整合了多个指标,以进行全面的患者评估.
• 开发的ET模型显示了SSI风险分层的显著临床预测性能.