预测修复全膝关节整形术后长期停留时间:使用机器学习模型进行国家数据库分析

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
• 医疗保健中的机器学习

背景情况:

• 修复全膝关节整形术 (TKA) 的增长率需要了解影响术后停留时间 (LOS) 的因素.
• 准确预测延长的LOS对于资源配置和TKA修订中的患者管理至关重要.

研究的目的:

• 开发和验证可概括的机器学习 (ML) 算法,用于在TKA修订后预测扩展的LOS.
• 通过使用国家外科手术数据库,确定在接受TKA修复的患者中长期LOS的关键预测因素.

主要方法:

• 利用美国外科医生学院国家外科质量改进计划 (ACS-NSQIP) 数据库,包括23656个修订TKA病例 (2013-2020).
• 排除了缺少数据,重新修订或单部位膝关节关节整形转换的患者.
• 应用并评估了基于准确性,校准,区分 (AUC) 和临床实用性的四个ML算法.

主要成果:

• 所有四种ML模型都表现出强大的预测性能,曲线下的区域相似 (AUC从0.74到0.75不等).
• 确定了手术时间,手术前败血症诊断和体重指数 (BMI) 作为长期LOS最重要的预测因素.
• 术前血清肌素和BUN的升高也是显著的预测因素.

结论:

• ML模型对预测修订TKA患者的延长LOS具有显著的前景.
• 调查结果强调了国家数据集在开发强大的预测模型方面的价值.
• 识别的预测因素可以为术前规划,出院策略,患者咨询和修订TKA的成本管理提供信息.