预测 ambulatory ACDF 患者转换为住院患者:一种机器学习方法

科学领域:

• 整形外科手术 整形外科手术
• 医疗保健中的机器学习
• 预测分析是一种预测分析.

背景情况:

• 前椎切除和融合 (ACDF) 是一种常见的门诊手术.
• 无计划转换为住院病人的身份给患者的护理和资源分配带来了挑战.
• 识别转化风险因素对于优化患者选择和管理资源至关重要.

研究的目的:

• 开发和评估一种机器学习算法,用于预测ACDF患者的无计划住院转化.
• 为了确定关键的风险因素与转换从门诊到住院病人的状态后ACDF.

主要方法:

• 对581名在门诊环境下接受一级或两级ACDF患者的回顾性分析.
• 机器学习模型的比较,包括后勤回归,随机森林,SVM和XGBoost.
• 使用曲线下的面积 (AUC) 进行绩效评估,以70/30的培训-验证划分.

主要成果:

• XGBoost模型实现了最高的预测性能,AUC为0.79.
• 住院患者转换的重要预测因素包括手术长度,性别,年龄和手术开始时间.
• 物流回归和SVM模型的性能较低 (AUC 0.71).

结论:

• 机器学习,特别是XGBoost,提供了一种可靠的方法来预测在ACDF中的住院患者转换风险.
• 手术的持续时间,患者人口统计 (性别,年龄) 和时间是影响转换的关键因素.
• 这些发现支持将机器学习纳入门诊骨科手术的临床决策.