基于机器学习的模型,用于优化宫后脊柱膜整形术的门诊随访计划

科学领域:

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

背景情况:

• 宫骨髓病患者经常经历定期的后续检查后的laminoplasty.
• 症状明显改善的稳定患者可能不需要严格的随访时间表.
• 预测长期结果可以个性化患者管理.

研究的目的:

• 开发一种机器学习 (ML) 算法,用于预测宫膜整形术后2年的术后结果.
• 确定可能在24个月内达到患者可接受的症状状态 (PASS) 的患者.
• 为优化临床后续策略提供信息.

主要方法:

• 分析了80名患有宫骨髓病的患者,这些患者接受了拉米诺塑性手术.
• 日本骨科协会 (JOA) 的分数被用来评估术后长达1年的结果.
• 训练了8个ML算法来预测PASS (24个月后JOA得分≥14.25),在测试组上评估性能.

主要成果:

• 基于长短期记忆 (LSTM) 的算法显示了最高的预测性能 (AUC = 0.90 ± 0.13).
• 该LSTM模型准确地确定了可能在24个月内实现PASS的患者.

结论:

• 一个基于LSTM的ML算法可以准确地预测宫纤维化术后患者可接受的症状状态 (PASS).
• 这种预测模型为优化临床后续计划和资源利用提供了潜力.
• 需要对更大的数据集进行进一步验证.