应用机器学习和优化方法来预测儿童和青少年的骨骨架不稳定性风险因素
Yoon Hae Kwak1, Yu Jin Ko2, Hyunjae Kwon1
1Department of Orthopedic Surgery, Asan Medical Center, Ulsan University College of Medicine, Seoul, Korea.
概括
这项研究确定了患有横侧突起的儿童的关键骨骨形态差异. 机器学习分析强调了Koshino-Sugimoto指数作为一个重要的预测指标,有助于评估复发性失位的风险.
科学领域:
- 整形外科手术 整形外科手术
- 放射学 放射学是一门学科.
- 生物医学工程 生物医学工程
背景情况:
- 保守的治疗是首次带脱位的标准.
- 已知成人骨骨不稳定的危险因素,但儿科数据很少.
- 在儿童中,反复发生的带脱需要更好的诊断工具.
研究的目的:
- 开发一种可复制的方法,用于量化评估儿科患者的骨骨形态学.
- 通过MRI和机器学习来识别反复发生带脱的解剖学风险因素.
- 评估各种形态参数的诊断效用.
主要方法:
- 对54名患有侧侧位移的儿科患者和54名年龄相匹配的对照进行了回顾性审查.
- 通过MRI测量椎骨,椎骨,椎骨和椎骨高度参数.
- 机器学习和遗传算法的应用,以评估诊断效用.
主要成果:
- 在六个脊椎骨形态参数中发现了群体之间的显著差异.
- 科希诺-苏吉莫托 (KS) 指数显示,骨高度的曲线下面积 (AUC:0.87) 是最高的.
- 使用七个变量的优化后勤回归模型,实现了0.934.4的AUC.
结论:
- 凯斯指数和维伯格指数与儿童侧面带脱位有很强的关联.
- 一个基于机器学习的模型证明了临床上相关的有效性,用于预测带位.
- 这种定量核磁共振和机器学习方法有助于评估儿科骨骨不稳定性.
更多相关视频
06:52An Inertial Measurement Unit Based Method to Estimate Hip and Knee Joint Kinematics in Team Sport Athletes on the Field
Published on: May 26, 2020
7.9K
09:34A Method to Estimate Cadaveric Femur Cortical Strains During Fracture Testing Using Digital Image Correlation
Published on: September 14, 2017
7.4K
