机器学习模型用于预测前椎切除和融合后的失声症:瑞典注册研究
Ali Buwaider1, Victor Gabriel El-Hajj1, Anna MacDowall2
1Department of Clinical Neuroscience, Karolinska Institutet, Stockholm, Sweden.
概括
机器学习模型可以预测前椎切除和融合 (ACDF) 后的持续性听力障碍. 随机森林模型表现最好,识别了这种常见并发症的关键风险因素.
科学领域:
- 脊柱手术的结果 脊柱手术的结果
- 机器学习在医疗保健中的应用
- 对手术并发症的预测建模.
背景情况:
- 听力障碍是前椎间盘切除和融合 (ACDF) 后的一个常见并发症.
- ACDF是治疗椎退行性脊柱疾病的标准程序.
- 识别患有ACDF后失声症高风险的患者至关重要.
研究的目的:
- 评估各种机器学习模型来预测ACDF后的持续性听障.
- 为了确定ACDF手术后持续性听障的关键预测因素.
主要方法:
- 从2006年到2020年,对瑞典脊椎注册局 (Swespine) 数据进行了回顾性分析.
- 四个机器学习模型 (逻辑回归,随机森林,梯度增强,K-最近邻居) 被训练和测试.
- 使用歧视和校准指标评估绩效,随机选择森林作为最佳模型.
主要成果:
- 随机森林 (RF) 模型实现了最高的预测性能 (AUC=0.794).
- 确定的主要预测因素包括手术前部残疾指数 (NDI),EQ5D指数,手术前的神经学,手术水平数量和融合使用.
- 射频模型表现出高灵敏度和精度,但特异性低,具有积极的预测值.
结论:
- 机器学习模型有效地识别了ACDF后持久性听障的预测因素.
- 射频分类器在预测持续超过一个月的失声症方面表现出卓越的表现.
- 手术前的NDI,EQ5D指数和合的脊椎数量是持续性听障的重要预测指标.
