一种基于机器学习的方法,用于预测前宫切除术后短期结果的个性化预测
Mert Karabacak1, Alexander Schupper1, Matthew Carr1
1Department of Neurosurgery, Mount Sinai Health System, New York, NY, USA.
Asian spine journal
|August 8, 2024
概括
机器学习模型准确地预测了前宫切除术 (ACC) 后的结果,包括长时间住院和并发症. 现在可以使用一个可访问的网络工具来帮助分层这种手术的患者风险.
科学领域:
- 神经外科 神经外科
- 机器学习 机器学习
- 外科手术的结果
背景情况:
- 之前的研究还没有利用机器学习 (ML) 来预测前宫切除术 (ACC) 后的短期结果.
- 长时间停留 (LOS),非家庭出院和重大并发症等关键结果仍然难以准确预测.
- 需要改进的预后工具来指导患者护理和ACC的手术规划.
研究的目的:
- 评估ML算法在ACC后预测主要短期结果方面的有效性.
- 开发一个用户友好的,可访问的工具来预测ACC患者的结果.
- 确定ACC后不良结果的关键预测因素.
主要方法:
- 一项使用美国外科医生学院国家外科质量改进计划数据库的回顾性研究.
- 机器学习模型,特别是TabPFN算法,被开发用于预测长期的LOS,非家庭出院和重大并发症.
- 开发的ML模型被整合到一个开放访问的网站上,以便在实践中应用.
主要成果:
- 模型表现出良好的预测性能,接收器运行特征曲线 (AUROC) 下的面积为长期LOS的0.802,非家庭排放的0.816,主要并发症的0.702.
- 确定的关键预测因素包括手术水平的数量,患者年龄,体重指数,手术前血红素和ASA身体状况.
- 这些模型显示了对评估的术后结果的公平到良好的区分能力.
结论:
- 机器学习显著提高了在ACC手术后术后结果的预测.
- 一个可访问的Web应用程序为风险分层和结果预测提供了一个实用的工具.
- 在ACC手术中,ML是预测各种不良结果和分层患者风险的宝贵补充工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
09:51The Transition to an Anterior-Based Muscle Sparing Approach Improves Early Postoperative Function but is Associated with a Learning Curve
Published on: September 7, 2022
2.6K
