机器学习模型用于预测骨缩在经历内部固定的股骨部骨折患者
Bingchuan Liu1, Guojin Hou1, Zhongwei Yang1
1Department of Orthopaedics, Peking University Third Hospital, 49 North Garden Rd, Haidian District, Beijing 100191, China; Engineering Research Center of Bone and Joint Precision Medicine, Ministry of Education, Peking University Third Hospital, 49 North Garden Rd, Haidian District, Beijing 100191, China.
Injury
|September 5, 2024
概括
机器学习模型预测骨头骨硬化 (ONFH) 在骨部骨折 (FNF) 患者. 后勤回归显示出最佳表现,识别了改善临床决策的关键风险因素.
科学领域:
- 整形外科手术 整形外科手术
- 生物医学工程 生物医学工程
- 机器学习在医疗保健中的应用
背景情况:
- 股骨头骨死 (ONFH) 是股骨部骨折 (FNFs) 后的一种并发症.
- 预测ONFH对于患者的治疗结果和治疗计划至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测FNFs患者的ONFH.
- 为了确定与ONFH发育和内部固定后相关的重大风险因素.
主要方法:
- 对437名患有囊内FNFs的患者进行了回顾性分析.
- 开发和比较六个ML模型:逻辑回归,天真贝叶斯,决策树,随机森林,多层感知子和AdaBoost.
- 使用AUC,精度,回忆,F1得分,混矩阵,密度曲线和学习曲线进行验证.
主要成果:
- 后勤回归模型实现了最高的预测性能 (AUC:0.84,精度:0.89,F1得分:0.94).
- 确定的主要风险因素包括减少质量,内部固定移除,ASA分类,损伤机制和中间皮层位移.
- 模型的性能表明适合性良好,并且有明显的分离以进行预测.
结论:
- 后勤回归模型证明了在FNF患者中对ONFH的出色预测能力.
- 鉴定的风险因素可以指导个人化治疗策略的临床决策.
- 机器学习模型为预测结果和优化FNF患者护理提供了有价值的工具.
