相关实验视频
Updated: Jun 25, 2025
06:11
Anterior Cervical Discectomy and Fusion in the Ovine Model
Published on: October 5, 2009
12.9K
在Web应用程序上的机器学习模型,用于预测前椎切除和融合后的短期术后结果
Mert Karabacak1, Abhiraj D Bhimani1, Alexander J Schupper1
1Department of Neurosurgery, Mount Sinai Health System, 1468 Madison Ave, New York, NY, 10029, USA.
BMC musculoskeletal disorders
|May 21, 2024
概括
机器学习模型预测前椎切除和融合 (ACDF) 手术后的不良结果,有助于风险分层和患者咨询. 这些工具可以通过预测长时间住院,非家庭出院,再入院和并发症来改善患者护理.
科学领域:
- 神经外科 神经外科
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 自2011年以来,前椎间盘切除和融合 (ACDF) 频率升了400%.
- 由于ACDF的使用不断扩大,术前预测术后不良结果至关重要.
- 可解释的机器学习 (ML) 模型可以帮助预测这些结果.
研究的目的:
- 开发可解释的ML模型来预测ACDF后的不良术后结果.
- 将这些ML模型集成到一个用户友好的Web应用程序中,以获得临床实用性.
主要方法:
- 利用了国家外科质量改进计划对ACDF患者的数据.
- 应用了五个ML算法 (TabPFN,TabNET,XGBoost,LightGBM,Random Forest) 具有超参数调整.
- 采用SHAP和部分依赖图表用于模型解释性;使用ROC和PRC曲线评估性能.
主要成果:
- 随机森林模型展示了强大的预测性能.
- 平均AUROC为0.776 (延长的LOS),0.846 (非家庭出院),0.775 (再接收) 和0.747 (重大并发症).
- 最好的模型被选中用于集成到Web应用程序中.
结论:
- 先进的ML方法提高了ACDF后不良术后结果的预测.
- 可访问的Web应用程序有助于将这些ML模型集成到临床实践中.
- 在ACDF中,ML工具是风险分层,结果预测和患者咨询的重要补充.