机器学习模型在预测初级全膝关节整形术后非家庭出院时的表现优于ACS风险计算器

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:

• 门诊全膝关节整形术 (TKA) 正在增加,但许多患者被送往非家庭地点.
• 预测非家庭出院 (NHD) 可以减少不良事件和医疗保健成本.

研究的目的:

• 为了比较机器学习 (ML) 模型与美国外科医生协会 (ACS) 风险计算器对TKA后NHD的预测性能.
• 确定ML模型是否可以改善TKA患者的手术前风险识别.

主要方法:

• 一个人工神经网络 (ANN) 是使用来自ACS-国家外科质量改善计划数据库的365,240名初级TKA患者 (2013-2020) 的数据开发的.
• 通过歧视,校准和决策曲线分析评估了ANN和ACS计算器.

主要成果:

• NHD的主要预测因素包括年龄 (>68岁),BMI (>35.5 kg/m2) 和ASA类 (≥2).
• 与ACS计算器 (AUC=0.50) 相比,ANN模型显示出更好的预测能力 (AUC=0.69),校准更好.

结论:

• 机器学习模型在预测TKA后的NHD方面表现优于ACS风险计算器.
• 将ML整合到临床实践中可以提高手术前风险评估,患者咨询和TKA的决策.