机器学习用于确定与骨修复后过夜相关的重要特征

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 骨肌修复是一种常见的骨科手术.
• 预测术后停留时间对于资源分配和患者管理至关重要.
• 确定患者特异性延长康复的风险因素是一个持续的临床挑战.

研究的目的:

• 为了评估机器学习 (ML) 在识别与延长术后住院相关的患者特征的有效性.
• 将ML算法的性能与预测延长恢复的传统统计方法进行比较.

主要方法:

• 利用来自美国外科医生学院国家质量改进计划 (ACS-NSQIP) 的1173名接受骨肌修复的患者的数据.
• 应用了多个ML算法,包括随机森林 (RF),人工神经网络,梯度增强和支持向量机.
• 将ML模型性能与后勤回归进行比较,使用美国麻醉学会 (ASA) 分类系统作为对照.

主要成果:

• 随机森林 (RF) 的表现优越,AUC为0.72,准确率为77.66%,精度为0.79,回忆率为0.96.
• 通过RF确定更长的术后停留时间的关键预测因素包括年龄,BMI,ASA分类,血红素和身高.
• 其他ML算法的性能与后勤回归控制相当.

结论:

• 机器学习,特别是随机森林,可以作为一种有效的工具来识别影响关节肌修复后术后停留时间的关键患者特征.
• 与传统的物流回归相比,ML模型提供了更好的预测能力,用于识别患有长期住院风险的患者.
• 这些发现支持这样一个假设:ML可以提高对需要延长术后护理的患者的识别.