机器学习算法的外部验证,预测在未服用过阿片类药物的腰椎手术患者中长期处方阿片类药物的外部验证,使用台湾队列

科学领域:

• 整形外科手术 整形外科手术
• 疼痛管理 疼痛管理
• 医疗保健中的机器学习

背景情况:

• 确定在手术后长期使用阿片类药物风险的患者对于个性化治疗至关重要.
• 骨瘤学研究小组的机器学习算法 (SORG-MLA) 开发用于预测阿片类药物未使用患者的这种风险.
• 此前,SORG-MLA在各种国际环境中的实用性尚未确定.

研究的目的:

• 为了验证SORG-MLA在台湾队列中的预测性能.
• 评估算法在一个不同的地理和医疗保健系统中的适用性.

主要方法:

• 分析了一组2795名接受初级腰部减压手术 (2010-2018) 的台湾患者.
• 验证指标包括歧视 (AUROC,AUPRC),校准,Brier分数和决策曲线分析.
• 在未使用阿片类药物的患者身上测试了SORG-MLA,以预测长期的术后阿片类药物处方.

主要成果:

• 在台湾队列中,长期处方阿片类药物的处方率为5.2%.
• 该SORG-MLA表现出良好的区分能力 (AUROC 0.71,AUPRC 0.36) 和整体表现 (布赖尔分数0.044).
• 该模型倾向于高估风险 (校准截止 -0.07,斜率1.45),但决策曲线分析表明临床效用.

结论:

• 在另一个国家,台湾,SORG-MLA保持良好的预测性能.
• 该算法适用于在该人群中识别患有长期术后阿片类药物使用风险的患者.
• 这些发现支持SORG-MLA在疼痛管理策略中具有更广泛的国际应用潜力.