机器学习模型利用基于智能手机的患者移动数据可以准确预测脊柱手术后的功能结果

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
• 监测患者的康复,监测患者的康复.

背景情况:

• 邻近的细分病和脊椎病可以导致脊髓手术后的功能衰退.
• 早期发现恢复转折点对于及时干预至关重要.
• 预测手术后移动性下降可以改善患者管理.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测手术后患者流动性的下降.
• 评估不同ML模型在预测脊柱手术后功能恢复方面的有效性.
• 确定术后功能衰退的关键预测因素.

主要方法:

• 回顾性招募为退行性脊柱狭窄症或脊柱松症接受脊柱手术的患者.
• 收集术前活动数据 (每天的步骤) 和临床/人口统计变量.
• 开发和验证后勤回归,随机森林和极端梯度增强ML模型.

主要成果:

• 随机森林和XGBoost模型在预测术后功能衰退方面表现出高准确度 (86.7%和80%).
• 随机森林模型实现了0.80.的曲线下的面积.
• 后勤回归模型显示预测性能较低.

结论:

• 在智能手机收集的活动数据上训练的机器学习模型可以有效地预测脊椎手术后的功能衰退.
• 这些ML工具可以增强外科预后和计划.
• 将ML纳入临床实践有望改善患者护理.