一个基于机器学习的模型,用于"实时"预测周围假肢关节感染

科学领域:

• 整形外科手术 整形外科手术
• 医学诊断 医学诊断 医学诊断
• 医疗保健中的机器学习

背景情况:

• 目前用于诊断周围假肢关节感染 (PJI) 的标准在早期检测方面存在局限性.
• 需要更准确和及时的PJI诊断工具.

研究的目的:

• 开发和验证一种新的机器学习 (ML) 衍生诊断系统,用于早期检测PJI.
• 将ML系统的性能与已建立的诊断标准进行比较.

主要方法:

• 使用六个基础学习者和一个超级学习者开发了一种两级ML模型,这些学习者在PJI患者的回顾性数据上接受了培训.
• 从文献和回顾性队列中过了诊断指标.
• 该模型包含了包括成像 (X射线,CT) 在内的21个特征,并在单独的潜在队列上得到验证.
• 基于ML模型创建了一个用户友好的Web工具.

主要成果:

• 与2018年国际共识会议 (ICM 2018) 标准相比,ML模型在开发队列中显示出显著更高的灵敏度 (90.6% vs. 76.1%) 和准确性 (94.5% vs. 86.7%).
• 内部验证证实了ML模型的卓越性能 (84.2%对78.6%的灵敏度;94.6%对81.8%的准确度).

结论:

• 新的ML衍生PJI诊断系统显示了改善的诊断准确性和手术决策的功效.
• 开发的基于网络的工具有效地帮助外科医生全面诊断PJI.