机器学习模型在预测短段后脊柱固定治疗的胸脊柱突破骨折治疗失败时的有效性

科学领域:

• 脊柱外科手术 脊柱外科手术
• 整形外科 整形外科 整形外科
• 医疗人工智能的人工智能

背景情况:

• 短段后脊柱固定 (SSPSF) 用于胸脊柱突破骨折.
• 治疗SSPSF可能有很高的失败率.
• 预测治疗失败对于患者的治疗结果至关重要.

研究的目的:

• 评估机器学习模型 (MLMs) 以预测胸脊柱突破骨折的治疗失败.
• 为了确定与SSPSF治疗失败相关的因素.

主要方法:

• 对332名胸突裂骨折患者进行了回顾性审查,这些患者接受了SSPSF治疗.
• 在故障和非故障组之间比较风险因素.
• 应用随机森林 (RF),物流回归 (LR),支向量机 (SVM) 和k-最近邻近 (k-NN) 模型来预测故障.

主要成果:

• 治疗失败发生在13.3%的患者中.
• 后勤回归确定了负载共享分类 (LSC) 评分,缺少指数级仪器和跨步行距离 (IPD) 作为重要因素 (P <0.05).
• 射频实现了最高的预测准确度 (0.948),灵敏度 (0.863) 和特异性 (0.959).

结论:

• 机器学习模型有效地预测了SSPSF治疗的胸脊柱突破骨折的治疗失败.
• 多媒体市场为早期干预提供了有价值的预后信息.
• 使用MLM可以在患者管理中节省成本.