机器学习的开发和内部验证,以预测胸脊柱狭窄症手术治疗后术后功能状况的恶化

科学领域:

• 神经外科 神经外科
• 医疗信息学 医疗信息学
• 整形外科手术 整形外科手术

背景情况:

• 胸脊缩 (TSS) 手术带有术后功能衰退的风险.
• 预测这种下降对于患者选择和手术规划至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 算法,用于预测TSS手术后30天和6个月的功能状态恶化.
• 为外科医生提供工具,以识别高风险患者.

主要方法:

• 分析了327名经过手术治疗的TSS患者的病历.
• 开发分类模型 (纳伊夫贝叶斯,LightGBM,XGBoost,物流回归,随机森林).
• 主要终点:在外科手术期间的日本整形医学协会 (JOA) 评分的二分化变化.

主要成果:

• XGBoost (精度=88.17%,c-统计=0.83) 和Naïve Bayes (精度=86.03%,c-统计=0.80) 显示出优异的预测性能.
• 算法显示出良好的校准和歧视.
• 确定了关键预测因素:手术期间/手术前的SSEP/MEP质量,症状持续时间,手术水平,下肢运动功能障碍.

结论:

• XGBoost和Naïve Bayes是有效的ML算法,用于预测TSS手术后的功能衰退.
• 这些模型可以帮助外科医生识别患有不良功能结果风险较高的患者.
• 预测因素提供了对患者脆弱性和潜在干预目标的见解.