基于机器学习的预测模型的开发和验证,用于在腰椎脊柱管狭窄症的减压手术后长时间住院

科学领域:

• 神经外科 神经外科
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 准确预测住院时间对于手术资源管理至关重要.
• 对于腰椎狭窄症 (LSS) 手术现有的模型缺乏精度和通用性.
• 机器学习有可能通过使用手术前因素提高预测准确性.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于估计LSS减压手术后住院时间.
• 确定影响住院时间的关键手术前预测因素.
• 改善LSS治疗中的资源配置和患者管理.

主要方法:

• 利用了来自三个医院的848名LSS患者的数据.
• 开发和评估了12个ML模型,使用79个手术前变量.
• 使用70%的培训和30%的测试数据分割验证的模型.

主要成果:

• 组合模型在停留时间的预测准确度中等 (相关性为0.626,MAE为2.26天).
• c5.0决策树模型准确地预测了长时间住院 (≥14天) 的情况,试验组的准确率为87.2%.
• 关键预测因素包括JOABPEQ社会生活领域,设施,脊椎骨折史,诊断和VAS腰部疼痛得分.

结论:

• 开发了一种ML模型来预测LSS减压后手术后住院的情况.
• 虽然数值预测停留时间的长度是适度的,但使用手术前因素成功预测长时间停留.
• JOABPEQ社会生活领域成为延长住院时间的最重要的预测因素.