人工神经网络在估计上肢骨折后9个月患者报告的结果时优于线性回归,变量数量越来越多

科学领域:

• 整形外科 整形外科 整形外科
• 医疗信息学 医疗信息学
• 医疗保健服务研究 医疗服务研究

背景情况:

• 在上肢骨折后估计患者报告的结果 (PROs) 对于恢复评估至关重要.
• 早期的心理,社会和身体健康因素可能会影响长期的PROs.

研究的目的:

• 为了比较人工神经网络 (ANN) 和线性回归 (LR) 模型在估计9个月PROs中的性能.
• 确定关键的早期健康变量,以预测上肢骨折后的PROs.

主要方法:

• 分析了734名患有上肢骨折的患者.
• ANN和LR模型是使用早期健康变量 (20-54变量) 的各种子集来开发的.
• 通过在测试子集中的一个MCID内预测9个月的PRO (能力和疼痛强度) 来评估模型的准确性.

主要成果:

• 在估计9个月的PRO中,ANN通常在估计9个月的PRO中表现优于LR,在能力和疼痛测量方面准确度更高.
• 主要的29变量模型显示ANN准确率为83% (快速DASH) 和73% (LR).
• 早期的心理和社会健康因素是对结果估计的最重要的贡献者.

结论:

• 在预测上肢骨折后的PRO方面,ANN表现优于LR,特别是在更多变量的情况下.
• 模型选择应考虑变量收集的实用性,数据分布和潜在的非线性关系.