机器学习模型的开发和验证,用于预测部脊柱转移手术后的并发症

科学领域:

• 在瘤学瘤学.
• 神经外科 神经外科
• 数据科学数据科学数据科学

背景情况:

• 宫脊椎转移手术改善了生活质量,但存在风险.
• 现有的评分系统可能无法捕捉所有预测因素.
• 机器学习可以分析更多的变量,以便更好地预测.

研究的目的:

• 开发一个准确的机器学习模型来预测术后并发症.
• 提高预测准确度,超出目前的评分系统.

主要方法:

• 追溯队列研究 (2012年1月至2020年12月).
• 开发了梯度提升,物流回归和决策树模型.
• 利用患者的人口统计,疾病特征,实验室结果和SMOTE进行数据平衡.

主要成果:

• 包括72名患者;29.17%经历并发症.
• 梯度提升模型实现了0.94.9的AUC.
• 关键预测因素:白蛋白水平,血小板计数,瘤组织学.

结论:

• 渐变增强模型证明了对并发症的优异预测.
• 机器学习可以帮助临床决策并改善患者的治疗结果.