可解释的机器学习模型可以预测后宫融合后的短期术后结果
Mert Karabacak1, Konstantinos Margetis1
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, United States of America.
PloS one
|July 21, 2023
概括
机器学习模型可以预测后宫融合 (PCF) 手术的短期术后结果,帮助患者的护理. 一个开源的Web应用程序提供了这些PCF结果预测.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 后宫融合 (PCF) 手术的结果可以通过术前风险预测来改善.
- 准确预测短期术后结果对于个性化患者护理计划至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测PCF手术中的短期术后结果.
- 将这些预测模型集成到一个可访问的,开源的临床使用的Web应用程序中.
主要方法:
- 利用美国外科医生学院国家外科质量改进计划数据库.
- 开发了机器学习模型来预测长期停留,非家庭出院和再接收.
- 将模型集成到一个开放访问的Web应用程序中,以进行患者特定的预测.
主要成果:
- 分析了6277名PCF手术患者.
- 非家庭排放预测实现了最高的准确性 (AUROC:0.812).
- 轻GBM算法展示了最好的预测性能 (AUROC:0.766).
结论:
- 机器学习模型显示出在PCF手术中预测术后结果的巨大潜力.
- 预测模型可以作为有价值的临床决策工具,用于风险评估和预后.
- 公共可用的模型和Web应用程序提高了改善PCF患者护理的可访问性.
