用机器学习技术开发和内部验证骨折后死亡率的多变量预测模型
Mathias Mosfeldt1,2, Henrik Løvendahl Jørgensen3,4, Jes Bruun Lauritzen4,5
1Department of Orthopaedics, Karolinska University Hospital, Stockholm, Sweden. mathias.mosfeldt@ki.se.
Calcified tissue international
|April 16, 2024
概括
机器学习模型使用手术前数据准确预测部骨折患者的死亡风险. 极端梯度增强 (XGB) 模型显示了改善患者护理决策的最大希望.
科学领域:
- 老年学是指老年学的学科.
- 医疗信息学 医疗信息学
- 整形外科手术 整形外科手术
背景情况:
- 关节骨折是老年人患病和死亡的一个重要原因.
- 准确预测死亡风险对于术后决策和患者管理至关重要.
研究的目的:
- 估计关节骨折患者1,3,6和12个月死亡率的可能性.
- 用现有手术前数据评估机器学习模型的性能.
主要方法:
- 利用从1186名关节骨折患者 (年龄在60岁以上) 预先收集的前手术生化和历史学数据.
- 在特征选择后应用并比较随机森林,极端梯度增强 (XGB) 和通用线性模型.
- 评估模型使用ROC曲线,校准指标和决策曲线分析.
主要成果:
- 机器学习模型在预测死亡率方面取得了很高的准确性,曲线下的面积 (AUC) 从0.79到0.81.8不等.
- 该XGB模型显示了优异的校准和术后死亡率的预测性能.
- 10-13个手术前参数的组合有效估计了死亡概率.
结论:
- 机器学习,特别是XGB,可以使用手术前数据准确估计关节骨折患者的死亡率.
- 这些模型可以帮助做出术前决策,研究和患者咨询.
- 外部验证正在进行中,为教育目的开发了一个在线工具.
