基于机器学习的个性化预测模型的开发,用于在接受宫膜整形手术的患者的短期术后结果
Mert Karabacak1, Konstantinos Margetis2
1Department of Neurosurgery, Mount Sinai Health System, New York, NY, USA.
概括
机器学习模型准确地预测了宫膜整形手术 (CLP) 的短期术后结果. 这些模型被整合到一个在线工具中,旨在改善患者护理和减少不良事件.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 机器学习 机器学习
- 预测分析是一种预测分析.
背景情况:
- 宫膜整形 (CLP) 是一种具有潜在短期术后并发症的手术程序.
- 准确预测这些结果可以增强患者护理策略并减轻风险.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测CLP后的短期术后结果.
- 将这些预测模型集成到一个可访问的,开源的在线应用程序中,用于临床使用.
主要方法:
- 利用国家外科质量改进计划数据库来获取患者数据.
- 使用TabPFN和LightGBM等算法开发了ML模型.
- 调查结果包括长时间的住院时间,非家庭出院,30天的再入院,计划外的再手术和重大并发症.
主要成果:
- 性能最好的模型实现了高预测准确性 (AUROCs在0.812到0.858之间).
- TabPFN模型在预测非家庭出院,非计划的重新手术和重大并发症方面表现出色.
- 轻GBM模型在预测长期停留和30天再入院方面表现强.
结论:
- 机器学习对于预测脊柱外科手术中术后结果具有重大潜力.
- 可访问的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.
- 开发的在线应用程序为预测CLP后的短期结果提供了一个实用的工具.
