预测经过修订后的早期出院 整体关节整形术:利用机器学习对大型国家数据库的分析

科学领域:

• 整形外科手术 整形外科手术
• 医疗保健服务研究 医疗服务研究
• 数据科学在医学中的数据科学

背景情况:

• 修复性全关节整形术 (rTHA) 不再是仅限于住院治疗的手术.
• 为获得成功的结果,选择适合门诊rTHA的候选人至关重要.
• 预测模型可以帮助识别适合早期出院 (EHD) 的患者.

研究的目的:

• 评估机器学习 (ML) 和多变量逻辑回归 (MLR) 模型在预测rTHA后的EHD (<24小时) 中.
• 使用ML和MLR识别与EHD相关的关键外科外科变量.
• 评估国家数据库分析对预测rTHA患者EDH的有用性.

主要方法:

• 从2021年开始,利用了一个大型的国家数据库,其中包括3,097名接受单边rTHA.患者.
• 与MLR一起,使用ML回归和各种ML技术来预测EHD.
• 使用AUC,校准,Brier分数和决策曲线分析来比较模型性能;确定了特征的重要性.

主要成果:

• 随机森林ML模型在预测EHD方面表现出卓越的性能.
• 确定了EHD的预测因素:无菌性指示,手术时间<3小时,缺乏贫血,神经轴麻醉,白人,男性,独立功能,BMI>20,年龄<75,家庭支持.
• 所有确定的因素在MLR模型中也具有重要意义.

结论:

• 无论是ML模型还是MLR模型都有效地预测了rTHA后的EHD,突出了临床上重要的变量.
• 像随机森林一样,ML技术为rTHA患者提供了准确的手术前风险分层.
• 优化资源配置和改善患者结果是使用ML在rTHA中用于EHD预测的潜在好处.