基于人工智能的学习曲线与内镜和微手术腰部减压手术中的临床结果之间的关联分析

科学领域:

• 神经外科 神经外科
• 脊柱外科手术 脊柱外科手术
• 机器学习在医学中的应用

背景情况:

• 腰椎减压是一种常见的外科手术程序.
• 外科医生的学习曲线对临床结果的影响尚未得到充分证实.
• 机器学习可以预测手术结果,并识别学习曲线效应.

研究的目的:

• 调查外科医生的学习曲线对腰部减压结果的影响.
• 确定机器学习是否可以预测延长停留时间 (LOS),延长操作时间 (OT) 和并发症.
• 为了比较微手术 (MSD) 和全内镜 (FED) 解压结果.

主要方法:

• 对206名患者进行的回顾性队列研究,这些患者接受了腰椎脊柱狭窄症解压.
• 无监督学习确定了早期学习曲线 (ELC) 和晚期学习曲线 (LLC) 组.
• 机器学习模型 (例如随机森林) 预测了LOS,OT和并发症;进行了特征重要性分析.

主要成果:

• 在FED患者中,ELC和LLC组之间没有显著的结果差异 (ELC的中位数为72次手术).
• 随机森林模型在预测OT (76.08%),LOS (83.83%) 和并发症 (89.90%) 中取得了高准确性.
• 患者的特征是LOS,OT和并发症的更重要的预测因素,而不是手术技术或学习曲线.

结论:

• 平均72次FED手术足以在早期学习曲线阶段获得相似的结果.
• 患者因素,而不是学习曲线或手术技术,主要影响手术结果.
• 对于腰部减压结果的预测模型需要进一步验证和临床实施.