相关实验视频
Updated: Jul 2, 2025
05:52
Novel Mini-open Transforaminal Lumbar Interbody Fusion
Published on: June 6, 2025
47
深度学习预测椎脊椎手术修订结果使用标准实验室和操作变量
Ethan Schonfeld1, Aaryan Shah1, Thomas Michael Johnstone1
1Neurosurgery Artificial Intelligence Lab, Stanford University School of Medicine, Stanford, California, USA.
World neurosurgery
|February 26, 2024
概括
预测宫脊椎手术修订是具有挑战性的. 使用实验室和手术数据的深度学习模型准确预测了3个月的修订结果,改善了对脊柱手术的患者选择.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 医疗数据分析 医学数据分析
- 医疗保健中的机器学习
背景情况:
- 宫脊椎手术很常见,但修复率很难预测.
- 现有的并发症风险模型缺乏精细的数据来进行修订预测.
- 索赔数据库往往省略了详细的实验室和操作变量.
研究的目的:
- 开发一个宫脊椎手术预测模型的修订.
- 利用实验室和操作变量进行增强的修订风险评估.
- 改善患者选择,以减轻椎手术的修订率.
主要方法:
- 分析了3151名接受椎手术 (2016-2022) 的患者队列.
- 机器和深度学习模型使用实验室值和操作数据进行训练.
- 患者根据修订结果和模型训练的时间框架进行了分层.
主要成果:
- 几个实验室值 (RBC,Hgb,Hct,MCHC,RDW,血小板,CO2,离子间隙,) 与修订风险相关.
- 一个深度神经网络实现了0.833AUC为3个月的修订预测.
- 模型性能有所不同,在前部和关节切除手术中显示出更高的准确性.
结论:
- 深度学习有效地预测了使用标准实验室和操作数据的3个月修订结果.
- 实验室值和操作代码是修订风险的有价值预测指标.
- 需要量身定制的风险评分,因为对于各种脊柱手术来说,一种适合所有人的方法是不够的.
