开发一种机器学习模型,以识别有利于双层骨切除术而不是单层高骨切除术的最佳情况
Hee Seung Nam1, Jade Pei Yuik Ho1, Seung Yun Park1
1Department of Orthopedic Surgery, Seoul National University College of Medicine, Seoul National University Bundang Hospital, Seoul, South Korea.
The Knee
|February 28, 2024
概括
机器学习准确地识别出什么时候双层骨切除术 (DLO) 是最适合严重的膝. 关键因素包括手术前的重量轴承直线比率 (WBLR) 和联合直线收角 (JLCA).
科学领域:
- 整形外科手术 整形外科手术
- 生物机械工程 生物机械工程
- 医疗人工智能的人工智能
背景情况:
- 严重的 varus 膝盖形往往需要手术纠正.
- 在双层骨切除术 (DLO) 和开口高骨切除术 (OWHTO) 之间做出选择至关重要.
- 识别DLO的最佳候选人可以改善结果.
研究的目的:
- 开发一种机器学习 (ML) 模型,以预测在严重的膝关节中DLO的最佳情况.
- 分析不利的结果以确定有利于DLO而不是OWHTO的因素.
- 确定最有效的ML算法和对这种预测有助于的因素.
主要方法:
- 对接受OWHTO的505名患者的回顾性分析.
- 定义的不良结果:MPTA> 95°,JLCA> 4°或<0°,瓦鲁斯复发,侧骨折.
- 用于ML模型培训的人口统计,手术前放射和手术内数据.
- 在模型解读中使用了SHapley添加式解释 (SHAP).
主要成果:
- 轻度梯度增强机 (LGBM) 模型实现了最高的性能 (AUC 0.66,F-1分数为 0.72).
- 术前重量轴承线比率 (WBLR) 是整体上最重要的因素.
- 手术前的关节直线收角 (JLCA) 和WBLR变化 (ΔWBLR) 是特定不利结果的关键预测因素.
结论:
- 该LGBM模型有效地预测了DLO相对于OWHTO的最佳场景.
- 手术前的WBLR,JLCA和ΔWBLR是不利结果的关键指标.
- 这种ML方法有助于优化为varus膝关节正进行手术的决策.
