在Legg-Calvé-Perthes疾病中,靠近大腿骨骨切除术后使用机器学习算法预测结果模型

科学领域:

• 整形外科手术 整形外科手术
• 儿科整形医生 儿科整形医生
• 机器学习在医学中的应用

背景情况:

• 莱格-卡尔维-珀斯病 (LCPD) 影响关节的发育.
• 靠近大腿骨骨折 (PFVO) 是一种针对LCPD的手术干预.
• 预测PFVO后的放射性结果对于患者管理至关重要.

研究的目的:

• 为了确定与PFVO后的LCPD结果相关的因素.
• 开发和验证用于预测患者特异性放射性结果的机器学习算法.
• 加强对LCPD治疗的决策.

主要方法:

• 对90名接受PFVO的患者 (年龄大于6岁) 的回顾性分析.
• 后勤回归和递归特征选择以确定预测变量.
• 培训和测试五种机器学习算法 (XGBoost,MLP,SVM,弹性网,随机森林).

主要成果:

• 一个8变量模型优化了预测,确定了有利结果的特定切断值.
• XGBoost模型显示了最高的性能 (F1得分:0.78,AUC:0.84).
• 关键预测因素包括发病时的年龄,LCPD分类以及手术前后的测量.

结论:

• 该XGBoost算法有效地预测了经过PFVO的LCPD患者的术后放射性结果.
• 特定的临床和放射性参数与实现球形的股骨头有关.
• 模型的外部验证和在线应用可以改善共享决策.