预测经过修复全关节整形术后延长住院时间:基于ACS-NSQIP数据库的机器学习模型分析

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
• 机器学习在医学中的应用

背景情况:

• 在修复关节整形术 (THA) 后的长时间停留 (LOS) 会增加医疗保健成本,并降低患者的满意度.
• 预测长期LOS对于优化患者护理和资源配置至关重要.

研究的目的:

• 调查机器学习 (ML) 模型在修订THA后对长期LOS的预测能力.
• 在修订THA患者中确定长期LOS的关键预测因子.

主要方法:

• 从美国外科医生学院国家外科质量改进计划数据库中利用了11,737个修订THA病例 (2013-2020) 的数据.
• 开发并评估了四种ML模型 (ANN,随机森林,梯度增强,k-最近邻居) 来预测长期的LOS,定义为超过75百分点.
• 使用歧视,校准和临床效用指标评估模型性能.

主要成果:

• 人工神经网络 (ANN) 模型在预测长期损失方面表现出高准确度 (AUC 0.82).
• 确定的显著预测因素包括手术前的血液检测 (血红素,血小板计数,白细胞计数),输血,手术时间,复查指示 (感染) 和患者年龄.
• 所有模型都通过决策曲线分析显示出临床实用性.

结论:

• ML模型可以准确地预测修订THA患者的长期LOS.
• 识别高风险患者可以改善护理协调和出院计划.
• 这种预测能力可以提高修订THA护理的成本效益.