手术因素在预测机器学习使用机器人辅助全膝关节节整形术的功能结果方面发挥着关键作用

科学领域:

• 整形外科手术 整形外科手术
• 生物医学工程 生物医学工程
• 在医疗保健中的数据科学.

背景情况:

• 预测模型对于改善全膝关节整形术 (TKA) 后的功能结果至关重要.
• 现有的模型缺乏对个性化手术概念和新技术的评估.
• 需要预测TKA后患者报告的结果措施 (PROMs) 中达到最小临床重要差异 (MCID) 的情况.

研究的目的:

• 开发和评估预测建模方法,以预测在TKA后一年的PROM中MCID成就.
• 确定机器人辅助TKA中功能结果的关键预测因素.

主要方法:

• 追溯分析了430个机器人辅助的TKA.
• 收集手术前和1年术后的PROMs (KOOS,WOMAC功能,WOMAC疼痛).
• 利用机器学习算法 (包括脊柱逻辑回归) 来预测MCID状态,其中包括人口统计,BMI,CT扫描,植入物定位和外科特征等变量.

主要成果:

• 脊柱逻辑回归证明了WOMAC函数 (AUC=0.80) 的最佳性能.
• 对*不*实现MCID的关键预测因素包括手术前PROM,高BMI和大腿切除深度.
• 实现MCID的预测因素包括部部件对齐,门诊手术和医疗保险.

结论:

• 手术前的PROM,BMI和手术规划 (腰骨对齐,骨旋转) 是TKA后功能结果的重要预测因素.
• 个性化手术方法,以结合手术变量的预测模型为指导,可以改善患者的治疗结果.
• 这些模型可以帮助临床和手术决策,以优化TKA结果.