机器学习算法在预测部骨折手术后的短期并发症方面超过了并发症指数
Anirudh K Gowd1, Edward C Beck, Avinesh Agarwalla
1From the Department of Orthopedic Surgery, Wake Forest University Baptist Medical Center, Winston-salem, NC (Gowd, Beck, Godwin, and Waterman), the Cedars Sinai Medical Center, Los Angeles, CA (Gowd), the Department of Orthopedic Surgery, Westchester Medical Center, Winston-salem, NC (Dr. Agarwalla), the Department of Health Policy and Management, University of North Carolina at Chapel Hill, Chapel Hill, NC (Patel), Department of Orthopedic Surgery, the Cedars Sinai Medical Center, Los Angeles, CA (Dr. Little), the USC Epstein Family Center for Sports Medicine, Keck Medicine of USC, Los Angeles, CA (Dr. Liu).
与传统方法相比,机器学习 (ML) 算法显著改善了关节骨折的手术风险评估. 这些ML模型提供了一种更可靠的方式来预测患者的结果,包括并发症和出院,帮助临床决策.
科学领域:
- 整形外科手术 整形外科手术
- 数据科学数据科学数据科学
- 机器学习在医学中的应用
背景情况:
- 关节骨折是致病的主要原因,通常由患者的脆弱性加剧.
- 对手术风险的准确评估对于管理部骨折患者至关重要.
研究的目的:
- 评估机器学习 (ML) 算法的可靠性,以评估关节骨折患者的手术风险.
- 将ML模型的性能与已建立的并发症指数进行比较.
主要方法:
- 利用美国外科医生学院国家外科质量改进计划数据 (2011-2018).
- 训练有素的3ML算法预测结果:延长停留时间 (LOS),死亡,再入院,出院,输血和医疗并发症.
- 与传统指数 (ASA,Charlson,Frailty,Nottingham) 进行了ML模型性能 (AUC,PPV,NPV) 的比较.
主要成果:
- 与传统的并发症指数 (P < 0.01) 相比,ML模型在所有评估的并发症中表现出优异的预测性能.
- ML模型在预测医疗并发症 (0.65),死亡 (0.80),延长LOS (0.69),输血 (0.79),再接收 (0.63) 和家庭出院 (0.74) 方面实现了更高的曲线下面面面积 (AUC) 值.
- 表现最好的传统指数显示每个相应并发症的AUC值明显较低.
结论:
- 机器学习算法提供了一种更全面,更准确的方法来计算关节骨折患者的术前风险.
- 这些算法可以比传统的评分系统更有效地预测发病率,死亡率和出院目的地.
- 经过验证的基于ML的风险计算器有可能增强医疗保健提供者和支付人的临床决策.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
09:51The Transition to an Anterior-Based Muscle Sparing Approach Improves Early Postoperative Function but is Associated with a Learning Curve
Published on: September 7, 2022
