可解释的机器学习模型预测皮肤脊椎增强骨质疏松性脊椎压缩骨折的骨质水泥泄漏,基于夏普利的添加式扩张

科学领域:

• 脊柱外科手术 脊柱外科手术
• 医学成像医学成像
• 机器学习在医疗保健中的应用

背景情况:

• 骨质疏松性脊椎压缩骨折 (OVCF) 是常见的,通常通过皮肤脊椎增强 (PVA) 进行治疗.
• 骨水泥泄漏是PVA的重要并发症,需要预测工具.
• 目前用于预测泄漏的方法有限.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测OVCF患者在PVA中的骨水泥泄漏.
• 为了确定与骨水泥泄漏相关的独立风险因素.
• 通过可解释的ML预测来增强临床决策.

主要方法:

• 追溯研究包括425名接受PVA的患者.
• 开发和比较6个ML模型来预测水泥泄漏.
• 使用歧视,校准和临床实用性措施评估模型性能.
• 在模型解释和风险因素识别中应用夏普利添加式解释 (SHAP).

主要成果:

• 在50.4%的病例中,发生了骨水泥泄漏.
• 识别出泄漏的独立预测因素:皮质干扰,基础脊椎标志,骨折类型和骨水泥量.
• 该XGBoost模型显示出优异的预测性能 (AUC .8819).
• SHAP分析提供了对各种风险因素临床意义的见解.

结论:

• 基于ML的预测模型显示,在接受PVA的OVCF患者中,预测骨质水泥泄漏的准确性很高.
• 结合ML和SHAP分析可实现个性化的风险预测和特征重要性的视觉解释.
• 这些模型可以帮助临床医生在PVA手术期间减轻水泥泄漏风险.