在初级全膝关节整形术后预测30天的重新操作:机器学习模型的表现优于ACS风险计算器

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 现有的ACS风险计算器 (ARC) 在初级全膝关节整形术 (TKA) 后准确预测早期重新手术时存在局限性.
• 这种不准确性影响了TKA程序的患者护理质量和成本效益.

研究的目的:

• 将机器学习 (ML) 模型的预测性能与TKA后30天重新操作风险的ARC进行比较.
• 评估ML模型在增强TKA患者个性化风险分层方面的有用性.

主要方法:

• 利用来自ACS-NSQIP数据库的366,151个TKA的国家规模数据集.
• 使用ARC参数开发了一个随机森林ML模型,通过超参数调整和交叉验证进行优化.
• 在测试数据集上使用歧视,校准和临床效用指标评估预测性能.

主要成果:

• ML模型表现出优异的性能,AUC为0.72,相比之下,ARC的AUC为0.51.
• ML模型显示了比ARC (斜率: -0.01,拦截: 0.01,Brier分数: 0.135) 的更好的校准 (斜率: 1.18,拦截: -0.14,Brier分数: 0.012).
• 重复手术的关键预测因素包括年龄 (>67岁) 和BMI (>34 kg/m2).

结论:

• 机器学习模型在预测TKA后30天的重新运行风险方面显著优于ARC.
• 机器学习模型为改善TKA患者特定风险分层和术后护理提供了有价值的辅助工具.
• 提高预测准确度可以导致更好的资源配置和患者的治疗结果.