机器学习模型的开发,用于预测经历后腰椎体融合的腰椎狭窄症的延长操作时间:一项多中心研究
Runmin Li1, Lin Wang2, Xinghao Wang3
1Department of Spinal Surgery, Honghui Hospital of Xi'an Jiaotong University, Xi'an, China.
概括
这项研究开发了一种机器学习模型,用于预测腰椎脊柱狭窄症患者的延长后腰椎体融合 (PLIF) 手术时间,有助于更好的手术规划和风险识别.
科学领域:
- 神经外科 神经外科
- 脊柱外科手术 脊柱外科手术
- 医疗信息学 医疗信息学
背景情况:
- 长期的后腰椎间体融合 (PLIF) 手术用于腰椎狭窄症 (LSS) 与增加的并发症和较差的恢复有关.
- 准确预测延长的操作时间对于患者管理至关重要.
研究的目的:
- 开发和验证一个临床预测模型,用于在接受PLIF治疗LSS的患者中延长操作时间.
主要方法:
- 在22家中国医院 (2015-2022) 接受PLIF治疗的3233名LSS患者的回顾性分析.
- 机器学习算法,包括随机森林,用于模型开发和验证,使用培训和外部测试集.
- 为了模型的解释性,使用了SHapley添加式扩展 (SHAP),从而创建了一个在线计算器.
主要成果:
- 随机森林模型表现出强大的预测性能,ROC曲线下面面积 (AUROC) 分数在测试集中从0.816到0.834不等.
- 长期手术的关键预测因素包括融合水平的数量,手术前激活的部分血栓形成时间 (aPTT),患者体重和年龄.
- 为实际的临床应用而开发了一个基于网络的计算器.
结论:
- 开发的预测模型有效地识别了患有延长PLIF手术持续时间风险的患者.
- 这种工具可以增强术前规划,优化治疗策略,并指导LSS患者的临床干预.
