机器学习可以根据患者相关的因素预测关节整形手术术前规划的准确性吗? 对监督机器学习分类模型进行探索性调查

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
• 医疗保健中的机器学习

背景情况:

• 全关节整形术 (THA) 的成功取决于精确的手术前规划.
• 传统的二维规划方法显示了可变的可靠性.
• 监督机器学习 (SML) 提供了一种新的方法来提高THA规划准确性.

研究的目的:

• 利用患者相关特征调查SML模型的有效性,以提高THA手术前规划的准确性.
• 评估各种SML模型在评估规划可靠性和腿长差异方面的预测性能.
• 为THA手术前规划的特定方面确定最佳的SML模型.

主要方法:

• 训练并验证了六个SML模型 (LR,LDA,KNN,CART,GN,SVC) 基于800个初级无THA病例的数据.
• 利用患者特征,术后数据和植入物信息进行模型培训.
• 评估模型在预测规划可靠性和腿长度差异方面的性能.

主要成果:

• K-最近邻居 (KNN) 对杯 (97.9%) 和大腿骨 (96.7%) 模型以及大腿骨大小 (99.2%) 的高准确性.
• 支持矢量分类器 (SVC) 在杯子大小 (60.4%) 和头部大小 (62.1%) 中取得了最高的准确性.
• 决策树 (CART) 以99%的准确度在预测腿长差异方面表现出色.

结论:

• SML模型,特别是KNN,在预测THA手术前规划的准确性方面是有效的.
• 与患者相关的特征是THA规划中SML模型准确性的关键驱动因素.
• 这些SML模型为优化患者选择和增强THA手术结果提供了宝贵的见解.