一个新的机器学习模型来预测MARS队列中的修复ACL重建失败
, Kinjal Vasavada1, Vrinda Vasavada2
1Yale University, New Haven, Connecticut, USA.
Orthopaedic journal of sports medicine
|November 18, 2024
概括
机器学习最好预测修复前十字带重建移植失败. 之前的道问题和allograft的使用是rACLR故障的关键风险因素.
科学领域:
- 整形外科的临床研究.
- 机器学习应用程序 机器学习应用程序
- 生物统计学 生物统计学
背景情况:
- 机器学习 (ML) 越来越多地用于骨科研究.
- 将ML应用于多中心ACL修订研究 (MARS) 的队列数据,可以了解患者特定的结果.
- 这项研究利用ML分析rACLR数据.
研究的目的:
- 开发一个预测模型的修订前十字带重建 (rACLR) 移植失败使用ML.
- 为了确定预测rACLR移植失败的关键特征.
- 将新的ML方法应用于MARS队列数据.
主要方法:
- 预期从MARS队列中招募接受rACLR的患者.
- 收集手术前的X线图,手术内发现,以及2年和6年的随访数据.
- 开发和验证多种ML模型 (LR,XGBoost,GB,RF,AutoPrognosis) 以预测移植失败.
主要成果:
- 自动预测模型在6年内显示了对rACLR移植失败的最高预测能力 (AUC 0.703).
- 通过AutoPrognosis识别的关键预测因素包括先前受损的股骨/骨道和全移植的使用.
- 在960名患者中,5.7%的患者在6年内出现了移植失败.
结论:
- 自动预测ML模型显示了对rACLR移植失败的中等预测能力.
- 股骨/骨道特征和全移植类型是rACLR失效的重要风险因素.
- 这个模型可以被外部验证为未来的床边风险计算器.
