基于网络的人工智能预测模型的开发和验证,以使用机器学习技术评估转移性脊髓疾病的大量手术内流血损失
Xuedong Shi1, Yunpeng Cui1, Shengjie Wang2
1Department of Orthopedic Surgery, Peking University First Hospital, No. 8 Xishiku St, Beijing, Xicheng District, 100032, China.
The spine journal : official journal of the North American Spine Society
|September 13, 2023
概括
这项研究开发了一种人工智能模型,用于预测脊柱手术患者的大量手术内流血. 该XGBoosting机器 (XGBM) 模型表现出高精度,为外科风险评估提供了宝贵的工具.
科学领域:
- 在瘤学瘤学.
- 神经外科 神经外科
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 大规模的手术内流血是由于转移性脊髓疾病而接受手术的患者的一个重大问题.
- 血液损失的准确预测是有限的,阻碍了手术规划和及时干预.
研究的目的:
- 开发和验证基于网络的人工智能 (AI) 模型,用于预测转移性脊髓疾病手术期间的大量手术内输血.
主要方法:
- 一项观察性队列研究包括276名患者. 通过使用临床数据训练和验证了各种机器学习模型 (XGBM,RF,LR,KNN,DT,SVM).
- 用SMOTETomek重新抽样来进行类平衡. 用AUC,准确性,回忆,F1得分,Brier得分和日志损失来评估模型性能.
主要成果:
- 该XGBoosting机器 (XGBM) 模型实现了最高的预测性能,在内部验证中AUC为0.857,在外部验证中为0.809.
- 关键预测因素包括瘤类型,吸烟状况,ECOG得分,手术过程和手术前血小板计数.
- 与物流回归和其他机器学习模型相比,XGBM模型显示出更高的精度 (0.771内部,0.733外部) 和其他性能指标.
结论:
- 该XGBoosting机器 (XGBM) 模型显示承诺作为一个有效的AI工具,用于评估在经过减压手术的转移性脊髓疾病患者大规模手术内流血的风险.
- 开发的AI模型可以在网上访问,从而促进其在临床实践中的使用.
