使用机器学习来预测在旋转手套修复后无法实现临床显著的结果
Rafael Krasic Alaiti1,2, Caio Sain Vallio3, Jorge Henrique Assunção4,5
1Research, Technology, and Data Science Office, Grupo Superador, São Paulo, Brazil.
Orthopaedic journal of sports medicine
|October 23, 2023
概括
机器学习模型可以预测患者在旋转手套修复手术后是否无法达到临床重要的最小差异 (MCID). 虽然性能不高,但一些算法表现优于传统方法.
科学领域:
- 整形外科手术 整形外科手术
- 机器学习 机器学习
- 预后 预测 预测 预测
背景情况:
- 在机器学习上存在有限的研究,用于预测旋转手套修复后患者报告的结果.
- 机器学习可能在骨科预后中比经典的统计方法提供优势.
研究的目的:
- 评估机器学习算法预测残疾患者未能达到临床重要差异最小值 (MCID) 的能力.
- 通过使用手术前数据来评估轮手套修复患者在2年后续的预测性能.
主要方法:
- 利用从500个旋转手腕修复中例行收集的临床,人口统计和成像数据.
- 训练和评估了8个机器学习算法,包括随机森林和LightGBM,使用70/30的训练和测试分配.
- 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.
主要成果:
- 随机森林分类器 (0.68) 和LightGBM (0.67) 实现了最高的AUC.
- 大多数机器学习算法表现出比后勤回归更好的性能 (AUC,0.59).
- 模型性能通常低于其他骨科机器学习研究报告的水平.
结论:
- 机器学习算法在预测美国肩膀和肘部外科医生 (ASES) 后旋转手套修复得分的MCID非实现方面显示出潜力.
- 需要进一步的研究来优化机器学习模型,以提高这种患者群体的预测准确度.
