识别谁不太可能从全膝关节整形手术中受益,使用机器学习模型
Xiaodi Liu1, Yingnan Liu2,3, Mong Li Lee2,3
1Institute of Data Science, National University of Singapore, Singapore, Singapore. idsv33@visitor.nus.edu.sg.
NPJ digital medicine
|September 30, 2024
概括
使用临床数据的机器学习模型可以预测全膝关节整形术 (TKA) 后的长期不满. 这可以帮助识别不太可能受益的患者,降低医疗保健成本并改善结果.
科学领域:
- 整形外科 整形外科 整形外科
- 医疗人工智能 医疗人工智能
- 卫生经济学 卫生经济学
背景情况:
- 膝关节整形术 (TKA) 是膝关节骨关节炎 (OA) 的常见手术.
- 预测TKA后的长期患者结果和满意度对于医疗保健支出和患者福祉至关重要.
- 识别不太可能从TKA中受益的患者可以优化资源配置.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测TKA后2年的术后不满.
- 为了比较仅图像,仅临床数据和多模式ML模型的预测性能.
- 评估ML在识别可能无法从TKA中受益的患者方面的潜力.
主要方法:
- 训练有素的ML模型 (仅图像,仅临床数据,多式联络) 在5720名膝关节OA患者的数据集上.
- 根据膝关节协会得分 (KSS),SF-36 (PCS,MCS) 和牛津膝关节得分 (OKS) 的最小临床重要差异来定义术后不满.
- 通过使用曲线下的面积 (AUC) 度量来评估模型性能.
主要成果:
- 仅基于临床数据和多模式的ML模型在预测TKA不满症方面明显优于仅基于图像的模型.
- 仅使用临床数据模型的AUC值在0.806 (OKS) 到0.888 (KSS) 之间.
- 多式联运模型表现出相似的性能,AUC从0.816 (OKS) 到0.891 (KSS) 之间.
结论:
- 结合临床数据的ML模型在预测TKA后的术后不满症方面是有效的.
- 这些模型可以帮助识别不太可能从TKA中获得长期益处的患者.
- 预测模型有望改善患者选择并降低与TKA相关的医疗保健成本.
