使用无监督机器学习来预测膝关节关节整形术后的生活质量

科学领域:

• 整形外科手术 整形外科手术
• 数据科学数据科学数据科学
• 患者的治疗结果.

背景情况:

• 患者报告的结果测量 (PROM) 对于评估全膝关节整形术 (TKA) 成功至关重要.
• 确定影响PROMs的因素是改善TKA后患者护理的关键.

研究的目的:

• 利用机器学习 (ML) 算法,精确确定影响TKA后PROM的患者特征.
• 探索人口统计学和并发症如何影响恢复轨迹.

主要方法:

• 对636名TKA患者 (2018-2022) 的回顾性审查.
• 收集的数据包括人口统计,功能性并发症指数和PROMIS GH-P得分 (手术前,3个月,1年).
• 应用无监督的ML (光谱聚类) 来识别患者集群及其对PROMIS GH-P得分的影响.

主要成果:

• 出现了五个不同的患者群体,根据人口统计,并发症和疼痛水平进行区分.
• 每个集群都显示出随着时间的推移可预测的PROMIS GH-P得分趋势.
• 手术前得分最低的患者 (集群5) 显示出最大的改善;集群4和5在1年内发现了最小的临床重要差异.

结论:

• 无监督的ML有效地确定了TKA后可预测的PROMs变化的患者群.
• 这种方法支持为关节整形术患者制定个性化护理策略.