机器学习模型的概括性,预测在初级全膝关节整形术后30天的无计划再入院,使用全国代表性的数据库数据库
Anirudh Buddhiraju1, Michelle Riyo Shimizu1, Henry Hojoon Seo1
1Bioengineering Laboratory, Department of Orthopaedic Surgery, Massachusetts General Hospital, Harvard Medical School, 55 Fruit Street, Boston, MA, 02114, USA.
Medical & biological engineering & computing
|April 1, 2024
概括
机器学习模型可以预测膝盖全关节整形术 (TKA) 后的30天再入院风险. 这些模型是可概括的,通过优化患者护理和手术因素,为外科医生提供减少再入院的工具.
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
- 医疗保健中的机器学习
背景情况:
- 在全膝关节整形术 (TKA) 后的非计划性再接收会带来巨大的成本和不利的患者结果.
- 对于TKA再接收风险的现有机器学习 (ML) 模型缺乏被证明的概括性.
- 预测模型对于风险分层和改善TKA后患者管理至关重要.
研究的目的:
- 评估先前开发的ML模型的概括性,以预测一次性TKA后30天的再入院.
- 用一个庞大的国家患者数据库来验证这些ML模型.
- 确定影响TKA患者再入院风险的关键因素.
主要方法:
- 利用美国外科医生学院国家外科质量改进计划 (ACS-NSQIP) 数据库中的424,354名患者的数据.
- 开发并验证了四种不同的ML模型 (人工神经网络,随机森林,物流回归和负二项式通用线性模型) 来预测30天的再入院.
- 使用歧视,准确性,校准和临床实用性指标评估模型性能.
主要成果:
- 30天再入院的关键预测因素包括停留时间 (>2.5天),体重指数 (BMI) (>33.21 kg/m2) 和手术时间 (>93分钟).
- 这四种ML模型在准确度,校准和区分方面都表现出可比且强大的性能 (Brier分数≈0.03,AUC≈0.78).
- 这些模型在全国数据集中表现出一致的预测能力,证实了它们的概括性.
结论:
- 这项研究证实了四个ML算法在预测初级TKA后30天再入院风险时的概括性.
- 这些经过验证的ML模型为外科医生提供了可靠的工具来识别高风险患者.
- 优化出院计划,管理患者的BMI和提高外科手术效率,可以帮助减轻TKA再入院的风险.
