在SVM模型中使用关键预测因素来区分手术前麻醉评估中的脊柱骨折和椎间盘

科学领域:

• 脊柱外科手术 脊柱外科手术
• 机器学习在医学中的应用
• 麻醉学 麻醉学

背景情况:

• 脊柱状况,如骨折和椎间盘 (HIVD),由于症状重叠而存在诊断挑战.
• 准确的区分对于有效的治疗和麻醉规划至关重要,影响患者的结果.
• 评估功能影响和区分这些条件往往是困难的.

研究的目的:

• 开发和评估一个支持向量机 (SVM) 模型,以区分脊柱骨折和HIVD.
• 确定影响这些脊柱状况的准确诊断的关键临床预测因素.
• 评估模型在手术前麻醉评估中的实用性.

主要方法:

• 对199名脊柱骨折或HIVD患者进行了回顾性分析.
• 开发一种使用年龄,性别,视觉模拟尺度 (VAS) 疼痛评分和骨折数量作为预测因素的SVM模型.
• 采用射线基函数 (RBF) 内核;使用精度,回忆,准确度和卡帕指数进行性能评估,并进行Leave-One-Out交叉验证.

主要成果:

• SVM模型实现了高精度 (92.1%的骨折,91.2%的HIVDs) 和整体准确性 (92%).
• 骨折的召回率为98.1%,HIVD的召回率为70.5%,卡帕指数为0.76 (实质性协议).
• 年龄和VAS疼痛得分成为诊断最重要的预测因素.

结论:

• 使用RBF内核的SVM模型可以使用常规临床数据可靠地区分脊柱骨折和HIVD.
• 该模型有望提高手术前麻醉环境中的诊断准确性.
• 结合额外的临床参数可以进一步提高模型性能.