机器学习,自然语言处理和人工智能在预测骨科手术后医院再入院的实用性:系统审查和元分析

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:

• 整形外科手术后的医院再入院是一个重大问题,促使对预测因素的研究.
• 现有的战略旨在确定再接收的风险因素和致病因子.
• 先进的计算方法在预测这些再入院的作用需要系统的评估.

研究的目的:

• 系统地审查和总结有关使用人工智能 (AI),自然语言处理 (NLP) 和机器学习 (ML) 来预测骨科和脊椎手术后医院再入院的文献.
• 评估这些计算工具的预测性能.

主要方法:

• 进行了系统性审查和元分析,搜索了PubMed,Embase和谷歌学者,截至2023年8月30日.
• 包括使用人工智能,NLP和ML来预测骨科手术后再入院率的研究.
• 提取和分析了研究设计,患者人群,使用的模型,预测因素和准确性 (C-统计) 的数据.

主要成果:

• 包括26项研究,平均C-统计值为0.71,表明合理的预测能力.
• 脊椎手术是最常被研究的 (57%),但部/膝关节关节整形模型显示出更高的准确性 (平均C-统计 = 0.79).
• 结合手术内/术后数据和单一机构数据的模型表现更好;然而,大多数研究都有高偏差风险.

结论:

• 人工智能,NLP和ML工具在预测骨科手术后再入院的预测方面表现合理.
• 研究方法的标准化和改进的数据分析对于提高预测模型的可靠性至关重要.
• 未来的研究应该集中在这些领域,以产生更强大和可操作的发现.