相关实验视频
Updated: Jul 6, 2025
05:52
Novel Mini-open Transforaminal Lumbar Interbody Fusion
Published on: June 6, 2025
54
使用机器学习的腰部后部体内融合术期间输血的预测建模
Fang-Fang Lang1, Li-Ying Liu1, Shao-Wei Wang2
1School of Public Health, Shanxi Medical University, Taiyuan, China.
Frontiers in physiology
|January 8, 2024
概括
机器学习准确地预测腰部融合手术中的输血风险. 超越传统方法的XGBoost模型,识别了关键预测因素,如血液损失和融合细分,改善了手术决策.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 机器学习在医学中的应用
- 预测分析是一种预测分析.
背景情况:
- 腰部后部体内融合 (LPIF) 中的外科手术期间输血与增加的成本和并发症有关.
- 精确预测输血风险对于优化患者治疗结果和资源管理至关重要.
- 机器学习 (ML) 模型提供了与传统方法相比更高的预测准确性的潜力.
研究的目的:
- 开发和验证基于机器学习的模型,用于预测LPIF中术后输血风险.
- 确定影响输血可能性的关键临床因素.
- 增强外科决策和患者管理策略.
主要方法:
- 对1905名LPIF患者的临床数据进行回顾性分析 (2021年1月 - 2023年3月).
- 数据分为训练和验证集;用于特征选择和模型开发的 eXtreme Gradient Boosting (XGBoost).
- 使用曲线下的面积 (AUC) 评估模型性能; SHAP和LIME用于可解释性.
主要成果:
- 在XGBoost模型中,AUC达到0.958,显示出高预测准确度.
- 确定了关键预测因素:手术期间流失的血液,手术期间输注的液体,以及化片段的数量.
- 输血组的住院时间更长,费用更高,再入院/并发症率增加.
结论:
- 手术类型,ASA类,化水平,手术期间流血,手术时间和手术前血红蛋白都是重要的预测因素.
- 在LPIF中,XGBoost模型显著优于逻辑回归来预测外科手术期间输血风险.
- 这种ML模型是改善外科手术期间输血决策的有效工具.
