使用机器学习来预测脊髓损伤后门诊结果的预测建模

科学领域:

• 脊髓损伤 (SCI) 研究研究
• 机器学习在医疗保健中的应用
• 康复医学是康复的医学.

背景情况:

• 预测脊髓损伤 (SCI) 后的门诊状态对于康复规划至关重要.
• 传统模型在准确预测长期功能结果方面存在局限性.
• 机器学习为SCI恢复提供了增强预测能力的潜力.

研究的目的:

• 开发和验证机器学习 (ML) 预测模型,用于脊髓损伤 (SCI) 后一年的门诊状态.
• 使用急性康复数据,将ML算法与传统预测模型的性能进行比较.
• 确定SCI患者行走的关键预测因素.

主要方法:

• 追溯性多站点队列研究分析了来自SCI模型系统 (SCIMS) 数据库 (2000-2019) 的4523名患者.
• 传统模型 (van Middendorp,Hicks) 与ML算法的比较:弹性网惩罚后勤回归 (ENPLR),梯度增强机器 (GBM) 和人工神经网络 (ANN).
• 使用指标评估模型性能,包括接收器操作特征曲线 (AUC) 下的面积.

主要成果:

• 弹性净惩罚物流回归 (ENPLR) 与传统模型 (van Middendorp 0.916,Hicks 0.89) 相比,显示出更高的预测准确性 (AUC 0.931).
• ENPLR显示不同伤害严重程度的歧视有所改善 (亚洲A/D:0.965,亚洲B/C:0.803).
• 由于其预测准确性,校准和变量选择,ENPLR是首选的.

结论:

• 机器学习,特别是ENPLR,是一种可行且准确的方法,用于预测脊髓损伤 (SCI) 患者的行走结果.
• 这些人工智能驱动的模型可以提高识别可能受益于增强策略的个体的敏感性.
• 未来的研究应该纳入额外的变量,以进一步完善SCI恢复的预测模型.