使用机器学习算法,专注于脊骨皮层参数,预测在初始解锁手术后出现症状的带发展

科学领域:

• 神经外科 神经外科
• 儿科神经学 儿科神经学
• 医疗成像医学成像

背景情况:

• 脊髓重新连接是复杂的带带的初始修复后的风险,特别是脂髓瘤.
• 之前的研究表明, lumbosacral 角 (LSA) 增加和重新连接之间存在关联.
• 预测症状复发对于儿童患者的及时干预至关重要.

研究的目的:

• 开发一个预测算法,用于脊髓复杂化后手术症状.
• 为了确定与症状发展相关的脊骨皮层参数,特别是LSA.
• 利用机器学习来对复杂的带患者进行风险分层.

主要方法:

• 对12个月前进行脱的患者电子病历的回顾性审查.
• 在R.中使用Caret包开发机器学习模型.
• 分析脊皮参数,包括腰部主病,LSA,分骨倾斜和分骨斜率.

主要成果:

• 分析了72名患有复杂带病的患者;38.9%是男性.
• 最常见的诊断 (56.9%) 是脂髓腺瘤细胞瘤.
• 一个递归分区模型表明,LSA变化率≥5.84°/年的患者仍然无症状,而较慢的比率与神经衰退相关 (敏感度:77.5%,特异性:84.9%).

结论:

• 这项研究介绍了第一个机器学习算法,用于预测最初的手术修复后的脊髓重新连接症状.
• 手术后LSA变化速度较慢是神经症状发展风险增加的潜在指标.
• 这些发现突显了监测脊骨盆参数对于预测复杂的带患者的结果的重要性.