构建机器学习的验证,以准确预测脊椎手术后术后手术部位感染的风险
相关实验视频
Updated: Jul 9, 2025
08:03
In Vivo Mouse Model of Spinal Implant Infection
Published on: June 23, 2020
2.4K
1Department of Orthopedics, Taizhou People's Hospital, Nanjing Medical University, Taizhou, People's Republic of China; Postgraduate School, Dalian Medical University, Dalian, People's Republic of China.
The Journal of hospital infection
|November 29, 2023
概括
机器学习算法可以预测脊柱手术后的手术部位感染 (SSI). 纯粹贝叶斯模型在识别有SSI风险的患者方面表现出高准确性.
科学领域:
- 脊柱外科手术的结果
- 医疗保健中的机器学习
- 传染病预测传染病的预测
背景情况:
- 手术后的手术部位感染 (SSI) 是脊椎手术后的一个严重并发症.
- 识别风险因素和开发SSI预测模型对于改善患者结果至关重要.
研究的目的:
- 评估各种机器学习 (ML) 算法在脊椎手术后预测SSI的有效性.
- 确定与此患者群体中SSI发展相关的关键风险因素.
主要方法:
- 一项针对986名接受脊椎手术的患者的前性队列研究.
- 训练并测试了七个监督的ML算法:支持向量机,后勤回归,随机森林,XGBoost,决策树,k-最近邻居和Naïve Bayes (NB).
- 使用准确度,灵敏度,特异性,正预测值,负预测值和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 总体SSI率为9.33%. 这是一个很好的数字.
- 多变量考克斯回归确定了年龄,体重指数,吸烟,脑脊液泄漏,排水时间和手术前白素作为重要的SSI风险因素.
- 纯粹贝叶斯 (NB) 模型在所有测试的ML算法中表现出最高的性能,AUC为0.95,灵敏度为0.78,特异性为0.88,准确度为0.87.
结论:
- 纯粹的贝叶斯 (NB) ML模型证明了在脊椎手术后SSI的优秀校准和预测准确性.
- 这种NB模型显示了作为早期检测和管理脊柱外科手术患者SSI的有价值工具的潜力.
