使用机器学习进行最佳植入体大小测量与宫椎盘关节整形术后运动范围的增加有关
Nikita Lakomkin1, Zach Pennington1, Archis Bhandarkar1
1Department of Neurological Surgery, Mayo Clinic, Rochester , Minnesota , USA.
Neurosurgery
|March 29, 2024
概括
可解释的机器学习模型可以准确地预测宫椎盘关节整形的运动范围. 最佳的植入物尺寸,与相邻的健康磁盘相比,最大限度地提高了患者的ROM.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 生物机械工程 生物机械工程
- 医学中的人工智能
背景情况:
- 椎盘关节整形术 (CDA) 保持了运动,但依赖于主观的植入物大小.
- 术后运动范围 (ROM) 的准确预测对于优化CDA结果至关重要.
- 目前用于植入物选择的方法缺乏精度,可能会限制ROM.
研究的目的:
- 开发可解释的机器学习 (IML) 模型,用于预测CDA后的术后ROM.
- 确定在接受CDA的患者中最大化ROM的最佳植入物尺寸.
- 为了提高宫椎盘关节整形术中植入物选择的精度.
主要方法:
- 对接受单级CDA (2012-2020) 的成年患者的回顾性分析.
- 开发和比较IML模型 (袋式回归树,袋式MARS,k-NN) 与线性回归.
- 使用根平均平方误差 (RMSE) 和变量重要性分析评估模型性能.
主要成果:
- 在IML模型中,ROM预测的平均RMSE为7.6°,显著优于线性回归 (15.8°RMSE).
- 移植体大小,患者年龄和术前尾盘高度是表现最好的IML模型中的关键预测因素.
- 植入物大小为相邻健康磁盘高度的110%,被确定为改善ROM的最佳切断点.
结论:
- IML模型提供可靠的ROM变更预测后CDA的平均误差为7.6°.
- 植入物尺寸以匹配相邻的健康磁盘尺寸可能是最大化术后ROM的关键.
- 这种方法提供了一种数据驱动的方法,用于优化CDA中的植入物选择.
