预测脊椎造形术后的骨质疏松性骨折:使用基于网络的计算器进行机器学习方法

科学领域:

• 脊柱外科手术 脊柱外科手术
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 骨质疏松性脊椎压缩骨折 (OVCF) 在皮肤穿透脊椎造形术 (PVP) 后具有显著的风险.
• 准确预测复发骨折风险对于患者管理和个性化治疗策略至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测PVP后患者的新OVCF风险.
• 创建一个用户友好的,基于网络的计算器,用于预测模型的实际临床应用.

主要方法:

• 在2016年6月至2018年6月期间接受PVP的患者的回顾性分析.
• 使用Boruta选的独立变量,用9个算法建模;通过ROC-AUC和DCA评估性能.
• 使用SHAP分析的模型解释性;通过Web计算器部署.

主要成果:

• 支持矢量机 (SVM) 模型在训练和验证组中表现出最佳性能,AUC为0.77.
• 临床决策曲线分析 (DCA) 表明该模型对训练和测试组中的患者有好处.
• 基于SHAP增强的SVM模型的网络计算器可用于临床风险评估.

结论:

• 基于SVM的ML模型有效地预测了PVP后新出现的OVCF风险.
• 开发的网络计算器作为临床决策的实用工具.
• 这项工作通过提供风险预测工具,推动了脊柱外科手术中的个性化护理.