鉴定临床上有意义的子组后开放的减少和内部固定近接骨骨折:一个风险分层分析死亡率和30天的并发症使用机器学习
Avinesh Agarwalla1, Yining Lu2, Anna K Reinholz3
1Department of Orthopedic Surgery, Westchester Medical Center, Valhalla, NY, USA.
JSES international
|September 16, 2024
概括
机器学习在近端骨ORIF后识别了高风险患者,比ASA分类更好地预测并发症. 关键预测因素包括BMI,年龄,手术时间和并发症,改善了患者风险分层.
科学领域:
- 整形外科手术 整形外科手术
- 数据科学是数据科学.
- 医疗信息学医学信息学
背景情况:
- 靠近骨骨折的开放缩减内部固定 (ORIF) 后不良结果的预后因素通常是有限的.
- 机器学习 (ML) 提供基于结果指标和可变互连的客观患者分层.
研究的目的:
- 使用无监督的ML将患者分为基于术后事件的高风险和低风险集群.
- 将ML衍生的风险集群与美国麻醉学会 (ASA) 的分类进行比较.
- 为了确定与高风险状况相关的变量,在接受近端部ORIF的患者.
主要方法:
- 美国外科医生学院-国家外科质量改进计划数据库 (2005-2018) 的回顾性查询.
- 应用四种无监督的ML集群算法,将患者分成风险小组.
- 在集群之间比较人口,临床和治疗变量.
- 开发和比较一个监督的ML算法 (XGBoost) 与ASA分类来预测高风险患者.
主要成果:
- 在4670名患者中,有202名被归类为高风险患者.
- 高风险患者的30天死亡率,再入院率,再手术率,非例行性出院率和整体并发症率显着更高 (8.9%对0.4%).
- 极端梯度提升 (XGBoost) 实现了76.8%的AUC,在预测高风险状态方面超过了ASA分类 (61.7%).
结论:
- 无监督的ML有效地将接受近端部ORIF的患者分为高风险和低风险组.
- 通过ML识别的高风险状态的预测因素包括更高的体重指数,年龄增加,ASA类3,增加的手术时间,男性性别,糖尿病和吸烟史.
- 与传统的ASA分类相比,ML模型提供了更优质的手术前风险评估,用于近端椎或ORIF结果.
