成年脊柱形患者的机器学习聚类确定了四种预后表型:一个多中心前性队列分析,单个外科医生外部验证

科学领域:

• 脊柱外科手术 脊柱外科手术
• 整形外科 整形外科 整形外科
• 机器学习在医疗保健中的应用

背景情况:

• 成年脊柱形 (ASD) 患者的结果是复杂的,因为病理,期望,损伤和脆弱的异质性.
• 在ASD患者群体中,临床结果和研究的标准化比较具有挑战性.

研究的目的:

• 通过基于机器学习的集群,对成年脊柱形患者进行定性细分.
• 为了分析一个大型的,多中心的,针对不同患者表型前性收集的ASD队列.

主要方法:

• 在来自前性多中心研究的563名自闭症患者的培训队列上使用了k-means集群.
• 使用242名自闭症患者的回顾性队列验证的发现,评估基线特征和2年患者报告的结果 (PRO).
• 根据PROs,埃德蒙顿脆弱性,年龄,手术史和整体健康状况对患者进行集群.

主要成果:

• 确定了四种不同的自闭症患者表型:老/脆弱/内容 (OFC),老/脆弱/痛苦 (OFD),老/弹性/内容 (ORC) 和年轻/弹性/内容 (YRC).
• OFC和OFD集群表现出较高的脆弱性和先前手术率,OFC显示出较差的斜腰对齐和YRC较差的冠状对齐.
• 在OFD集群中,PRO的改善最小,重新运营的结果明显较差,而OFC的功能改善最大.

结论:

• 机器学习成功地根据年龄,虚弱,身体功能和心理健康确定了四种定性ASD患者表型.
• 这些定性因素是患者在手术后报告的结果改善的主要决定因素.
• 定性测量,与放射变量一起,对于就预期的手术结果向ASD患者提供咨询至关重要.