机器学习算法在预测全关节关节整形术后的再入院和并发症方面的可比性能与外部验证
Hashim J F Shaikh1, Mina Botros2, Gabriel Ramirez2
1Department of Orthopaedics and Physical Performance, University of Rochester Medical Center, 601 Elmwood Ave, Rochester, NY, 14642, USA. hashim_shaikh@urmc.rochester.edu.
Arthroplasty (London, England)
|November 8, 2023
概括
使用纽约州数据开发了机器学习模型,以预测接受全关节整形术 (TJA) 的患者的风险. 外部验证证实了模型的存在.
科学领域:
- 整形外科手术研究结果研究结果
- 医疗信息学和机器学习
- 在医疗保健中的预测建模.
背景情况:
- 整体关节整形术 (TJA) 是一种常见的手术,存在相关风险.
- 预测TJA后患者的结果对于知情决策至关重要.
- 现有的风险评估工具可以从先进的预测能力中受益.
研究的目的:
- 开发一款基于机器学习 (ML) 的风险计算器,用于接受全关节整形手术 (TJA) 的患者.
- 为了利用纽约州全州规划和研究合作系统 (SPARCS) 的数据来推导模型.
- 在单个TJA中心的数据上对开发的ML风险计算器进行外部验证.
主要方法:
- 训练了七个ML算法 (逻辑回归,自适应提升,梯度提升 (Xg提升),随机森林 (RF),支持矢量机,神经网络).
- 在68%的SPARCS数据上训练模型,在15%的数据上验证模型,在15%的数据上测试模型.
- 外部验证对来自独立TJA中心的2%数据进行了外部验证.
主要成果:
- 随机森林 (RF) 分类器在30天死亡率 (AUROC 0.78) 和90天复合并发症 (AUROC 0.73) 方面表现强.
- 渐变增强 (Xg增强) 在预测90天再入院和90天复合并发症 (AUC 0.73) 中表现出色.
- 外部验证显示模型性能与测试组相比较,顶级模型排名略有差异.
结论:
- 这项研究是第一个使用全州TJA数据创建ML预测风险计算器并对其进行外部验证.
- 开发的ML模型为TJA患者的风险分层提供了一个强大的工具.
- 在ML模型和验证集之间进行可比的区别支持了研究结果的概括性.
