使用机器学习来识别指carpometacarpal关节整形术后短期并发症的风险因素

科学领域:

• 整形外科 整形外科 整形外科
• 外科手术的结果
• 机器学习在医学中的应用

背景情况:

• 大指甲骨关节 (CMC) 关节骨关节炎是一种普遍的退行性手部疾病.
• 指CMC关节整形术是一种常见的手术治疗,具有良好的安全性.
• 预测手术后的不良结果可以显著有利于患者的护理.

研究的目的:

• 开发和评估机器学习模型,以预测指CMC关节整形术后的短期并发症和重复手术.
• 确定指CMC关节整形手术患者不良结果的关键预测因素.

主要方法:

• 来自美国外科医生学院国家外科质量改善计划 (ACS-NSQIP) 数据库 (2005-2020) 的7711个病例的回顾性分析.
• 利用了机器学习算法,包括随机森林 (RF),弹性网回归 (ENet),极端梯度增强树 (XGBoost) 和神经网络 (NN).
• 评估了30天的伤口并发症,医疗并发症,并返回手术室,对表现最佳的模型进行特征重要性分析.

主要成果:

• 随机森林 (RF) 在所有结果中表现最高 (重复手术AUC:0.61,医学并发症:0.55,伤口并发症:0.59).
• 手术持续时间是重新手术的最重要的预测因素.
• 手术持续时间,年龄较大和女性性别始终是所有评估并发症的前五大预测因素之一.

结论:

• 机器学习算法已成功开发,用于预测大指CMC关节整形术后的重新手术和并发症.
• 随机森林模型在预测这些不良结果方面表现出卓越的表现.
• 确定的主要预测因素包括手术持续时间,患者年龄和性别,为风险分层提供了洞察力.