机器学习模型在预测关节整形术结果中的最佳输入:系统性审查
Parshva A Sanghvi1, Aakash K Shah1, Christian J Hecht1
1Department of Orthopaedic Surgery, Center for Hip Preservation, Orthopaedic and Rheumatologic Institute, Institute Cleveland Clinic Foundation, Mail code A41, 9500 Euclid Ave, Cleveland, OH, 44195, USA.
概括
机器学习模型可以预测全关节整形术 (TJA) 后的结果. 年龄是并发症最重要的预测因素,突出了这些模型在手术护理中的潜力.
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
- 在医疗保健中的数据科学.
背景情况:
- 机器学习 (ML) 模型为改善全关节整形术 (TJA) 的结果和减少并发症提供了潜力.
- 由于模型的多样性和潜在的输入变量,实施ML模型具有挑战性.
- 进行了一项系统性审查,以确定最佳的ML模型输入,以预测TJA的术后结果.
研究的目的:
- 系统地审查和评估机器学习模型中最有效的输入.
- 预测术后的医疗结果,骨科结果和TJA后患者报告的结果措施 (PROMs).
- 为了确定TJA并发症的关键预测因素.
主要方法:
- 在PubMed,MEDLINE,EBSCOhost和谷歌学者 (2000-2023) 中进行了系统的文献搜索.
- 包括25项相关研究,评估了20多个ML模型和1,555,300次手术.
- 分析的关键指标包括曲线下的面积 (AUC),准确性和输入变量的重要性.
主要成果:
- 医学并发症的ML模型显示AUC从0.57-0.997;关键预测因素包括年龄,高凝血病和营养不良.
- 骨科并发症的ML模型的AUC为0.49-0.93;年龄,BMI和CCI是显著的预测因素.
- 对于PROMs,ML模型实现了0.453-0.97的AUC,手术前PROMs是关键输入. 在所有结果中,年龄是最一致的预测因素.
结论:
- ML模型有效地预测TJA的并发症和结果,识别已知和新发现的风险因素.
- 年龄成为术后并发症最重要的预测因素.
- 未来的研究应该专注于标准化模型开发,验证的输入和对TJA的ML的外部验证.
更多相关视频
09:01Treatment of Ankle Osteoarthritis with Total Ankle Replacement Through a Lateral Transfibular Approach
Published on: January 24, 2018
11.8K
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