机器学习没有超过传统的竞争风险建模来预测修复关节整形
Jacobien H F Oosterhoff1,2, Anne A H de Hond3,4,5, Rinne M Peters6
1Amsterdam UMC, University of Amsterdam, Department of Orthopedic Surgery and Sports Medicine, Amsterdam, the Netherlands.
Clinical orthopaedics and related research
|March 12, 2024
概括
机器学习在部或膝关节关节整形术后预测修复的传统回归模型中表现不佳. 两种方法都没有为临床决策提供足够的预后准确性.
科学领域:
- 整形外科手术 整形外科手术
- 医学数据科学 医学数据科学
- 预测分析 (Predictive Analytics) 是一种分析方法.
背景情况:
- 在关节整形术后准确预测修复风险对于患者和外科医生的决策至关重要.
- 当前的预测模型往往缺乏足够的性能,可能是由于传统的统计方法.
- 机器学习 (ML) 生存分析为改进决策支持工具提供了潜在的进步.
研究的目的:
- 为了比较ML生存分析的性能与传统的回归模型在预测部和膝盖关节整形术后的修订风险.
- 为了确定ML模型是否比传统方法提供更高的预测准确度.
主要方法:
- 分析了来自荷兰关节塑造注册 (2018-2022) 的11个观察性注册数据集.
- 开发和比较了时间到事件模型,包括Fine和Gray,因果特定的Cox和随机生存森林 (ML).
- 模型的性能被评估使用区分能力 (时间依赖的AUC),校准 (斜率/截图) 和预测错误 (缩放的布里尔得分).
主要成果:
- 在ML和传统回归模型之间没有发现区分能力的显著差异 (时间依赖的AUC范围:0.52-0.68).
- 校准指标和缩放的Brier分数也显示了所有建模方法的可比性能.
- 机器学习在预测关节整形修复方面没有表现出对传统回归模型的优势.
结论:
- 机器学习模型在预测关节整形术后修复后的表现并没有超过传统的回归模型.
- 当前的ML和传统的回归方法缺乏足够的准确性,无法在这种情况下提供预后信息.
- 这些建模方法用于预测修复关节整形术的临床实用性可能有限.
