机器学习与后勤回归用于在快速关节和膝关节关节整形术后对手术前预测医疗发病率 - - 一项比较性研究

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

背景情况:

• 快速跟踪计划旨在优化手术恢复.
• 在快速关节整形术 (THA/TKA) 中预测术后发病率仍然具有挑战性.
• 现有的模型往往缺乏详细的周边操作数据,并专注于行政代码.

研究的目的:

• 调查机器学习模型在快速的THA/TKA中预测术后发病率的好处.
• 使用手术前变量,将机器学习性能与后勤回归进行比较.
• 确定医疗并发症和长时间停留的关键预测因素.

主要方法:

• 来自丹麦快速通道中心的18013名初级THA/TKA患者 (2014-2016年培训,2017年测试) 的队列研究.
• 一个增强的决策树机器学习模型利用了33个手术前变量 (并发症,药物).
• 模型性能与逻辑回归使用精度,AUROC,AUPRC和MCC进行了评估.

主要成果:

• 机器学习模型在识别患有医学并发症高风险的患者方面略有改善 (13.6%的精度与物流回归的12.4%相比).
• 接收器操作特征下的面积 (AUROC) 为ML的76.3%,对物流回归的74.7%.
• 一个节的机器学习模型超过了完整的后勤回归模型,药物重要性与年龄相关的变化.

结论:

• 与后勤回归相比,机器学习模型在快速追踪THA/TKA后预测医疗发病率方面提供了微不足道的改进.
• 手术前的特征和处方是有价值的预测指标.
• 这些算法可以帮助识别受益于加强外科手术期间护理的患者.