机器学习概率计算器的方法和开发:数据异质性限制了预测关节镜Bankart修复后复发的能力

科学领域:

• 整形外科手术 整形外科手术
• 机器学习在医学中的应用
• 临床决策支持 临床决策支持

背景情况:

• 关节镜Bankart修复 (ABR) 后肩部不稳定的复发仍然是一个临床挑战.
• 需要预测工具来估计复发风险并指导治疗决策.
• 现有的数据限制阻碍了准确的预测模型的开发.

研究的目的:

• 开发和训练用于临床决策支持工具的机器学习 (ML) 算法.
• 为了估计关节镜巴卡特修复 (ABR) 后的复发率.
• 为临床实践创建一个ML驱动的概率计算器.

主要方法:

• 一项回顾性队列研究 (IV级) 分析了14项已发表研究的数据.
• 包括因创伤前肩部不稳定而接受ABR治疗的患者,随访时间至少2年.
• 开发和验证了四个ML算法,使用双变物流回归来识别风险因素.

主要成果:

• 分析包括797名患者,整体复发率为15.4%.
• 复发的危险因素包括年龄<35岁,接触运动,骨的班卡特病变和旋转手套撕裂.
• ML算法显示出有限的预测性能,接收器操作曲线下的面积在0.54和0.57之间.

结论:

• 机器学习 (ML) 无法用目前可用的预测器准确预测ABR后的复发.
• 临床数据的异质性显著限制了开发的ML算法的预测能力.
• 标准化数据收集方法对于未来的研究和开发可靠的预测工具至关重要.