随机森林确定了在全肩关节整形术后排放目的地的预测因素

科学领域:

• 整形外科手术研究结果研究结果
• 机器学习在医疗保健中的应用.
• 在患者护理中的预测分析.

背景情况:

• 机器学习 (ML) 算法越来越多地用于骨科手术预测结果.
• 随机森林 (RF) 是一个流行的ML算法,以其易于使用和高可预测性而闻名.
• 识别关键的变量预测排放目的地后,肩部全关节整形手术 (TSA) 对于患者的管理是重要的.

研究的目的:

• 评估随机森林算法在预测选修TSA后非家庭排放的有效性.
• 确定影响TSA患者出院目的地的最重要的变量.

主要方法:

• 国家外科质量改进计划 (NSQIP) 数据库从2008-2018年被过为可选的TSA (CPT 23472).
• 排除标准包括无血管缩,创伤,类风湿性关节炎和炎症性关节病,重点是原发性关节炎.
• 随机森林和其他ML算法使用Python (scikit-learn) 进行训练,以预测非家庭排放,并进行特征重要性分析.

主要成果:

• 随机森林在预测排放目的地方面表现优于其他ML算法和后勤回归.
• 预测非家庭出院的最重要的变量是年龄 (0.340),性别 (0.130),ASA分类 (0.126) 和功能状态 (0.120).
• 与非家庭出院患者相比,非家庭出院的患者年龄大得多,更有可能是女性,ASA得分高 (3或4),功能状况较差.

结论:

• 随机森林是一种高效的算法,用于在TSA后预测排放目的地.
• 年龄,性别,ASA分类和功能状态是影响TSA后非家庭出院决定的关键因素.
• 在TSA后在家出院的患者和需要非家出院的患者之间存在显著的人口和临床差异.