使用机器学习技术预测早期发病的脊柱病患者早期返回手术室的预测

科学领域:

• 整形外科手术 整形外科手术
• 机器学习在医学中的应用
• 儿科脊柱形症 儿科脊柱形症

背景情况:

• 早期发病的脊髓缩症 (EOS) 治疗往往会导致并发症.
• 意外返回手术室 (UPROR) 是EOS管理的一大问题.

研究的目的:

• 开发和验证一个机器学习模型来预测EOS患者的UPROR.
• 确定影响在EOS治疗期间需要UPROR的关键因素.

主要方法:

• 257名手术EOS患者的回顾性审查,随访时间≥2年.
• 使用十倍交叉验证训练了十个机器学习算法.
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.

主要成果:

• 57%的患者至少经历过一次UPROR.
• 高斯的天真贝叶斯模型实现了最高的AUC (0.79).
• 预测因素包括年龄,病因,结构类型,初始手术时的体重和身高.

结论:

• 一个高斯天真贝叶斯模型有效地预测了EOS中的UPROR.
• 诸如更高的体重,更高的身材,异常病因和绝对融合等因素降低了UPROR风险.
• 该模型有助于EOS患者的风险分层和手术规划.