对于创伤性椎脊髓损伤的精准医学:可访问和可解释的机器学习模型来预测个性化的住院结果
Mert Karabacak1, Konstantinos Margetis1
1Department of Neurosurgery, Mount Sinai Health System, 1468 Madison (Ave), New York, 10029 NY, USA.
概括
机器学习模型有效预测宫脊髓损伤 (cSCI) 患者的住院死亡率和非家庭出院率. 这些模型在临床环境中提供了有价值的风险评估和个性化护理潜力.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 创伤外科 手术 创伤外科
背景情况:
- 创伤性脊髓损伤 (SCI) 经常影响椎脊柱,导致严重的发病率和死亡率.
- 宫SCI (cSCI) 可以导致严重的运动和感觉障碍,并产生持久的后果.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测医院死亡率,非家庭出院,长时间停留 (LOS),长期重症监护室LOS (ICU-LOS) 和cSCI患者的重大并发症.
- 评估ML算法对cSCI后各种不利结果的预测性能.
主要方法:
- 来自美国外科医生学院 (ACS) 创伤质量计划 (TQP) 数据库 (2019-2021) 的cSCI患者的回顾性分析.
- 使用了四个ML算法:XGBoost,LightGBM,CatBoost和Random Forest用于二进制结果预测.
- 模型性能使用AUROC,平衡精度,AUPRC,精度和回忆以及ROC和PRC曲线进行评估.
主要成果:
- ML模型对住院死亡率 (AUROC 0.78-0.839) 和非家庭出院 (AUROC 0.806-0.815) 的预测能力良好.
- 对长期的LOS (AUROC 0.679-0.742) 观察到相当的预测能力,而对于长期的ICU-LOS和重大并发症的表现不佳.
- 开发了一个开放式访问的网络应用程序,以提供针对患者的具体结果预测.
结论:
- ML模型显示了在住院cSCI患者中风险分层和结果预测的显著潜力.
- 开发的ML模型和Web应用程序可以帮助个性化护理,预测结果,并支持临床决策.
- 虽然对死亡率和出院预测有效,但对预测ICU-LOS和并发症需要进一步精细化.
