应用机器学习算法来预测骨质疏松性脊椎压缩骨折的水泥增强后30天的住院再入院

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 骨质疏松症在美国每年导致大约70万个脊椎压缩骨折 (VCF).
• 诸如气球造术 (KP) 和穿皮椎造术 (VP) 等水泥增强手术可以治疗VCF,但其再入院率高达10.8%.

研究的目的:

• 利用机器学习 (ML) 算法预测VCF水泥增强后30天的医院再入院.
• 用美国外科医生学院国家外科质量改进计划 (ACS-NSQIP) 数据库来识别重新入院的关键预测因素.

主要方法:

• 在ACS-NSQIP数据库 (2011-2014) 中查询了接受KP或VP的患者.
• 开发了三种ML算法来预测术后再入院.
• 用AUC和准确度指标评估模型性能.

主要成果:

• 术后肺炎,ASA 2 级,年龄,部分依赖功能状态和吸烟史被确定为所有ML模型的高预测性再录取.
• 手术后的肺炎 (p < 0.01),ASA类2 (p < 0.01),年龄 (p = 0.002) 和部分依赖功能状态 (p < 0.01) 是统计学上显著的预测因素.
• ML模型的平均AUC为0.757,平均准确率为80.5%.

结论:

• 手术后的肺炎,ASA 2 级指定,部分依赖的功能状态和年龄是VCF水泥增强后30天再入院的显著外科预测因素.
• ML模型有效量化了这些变量对再接收风险的贡献.
• 这些发现可以为减少接受水泥增强治疗的VCF患者再入院的策略提供信息.