机器学习能否识别出适合门诊开放式缩减和远距离半径骨折内部固定的患者?

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
• 机器学习在医学中的应用

背景情况:

• 远距离半径骨折很常见,通常用开放式减少内部固定 (ORIF) 进行治疗.
• 确定不适合门诊ORIF的患者对于预防不良术后结果至关重要.

研究的目的:

• 为了确定被考虑的患者.
• 不安全的不安全的
• 用于远端半径骨折的门诊手术.
• 确定预测ORIF后术后风险的人口和临床因素.

主要方法:

• 利用了美国外科医生学院国家外科质量改进计划数据库 (2016-2021).
• 定义的 定义的 定义的
• 不安全的不安全的
• 作为需要入院,出现并发症或在7天内重新入院的患者.
• 使用机器学习 (梯度提升) 进行预测建模,评估AUC和准确性.

主要成果:

• 2,020名患者接受了远端半径骨折的ORIF治疗;21.5%的患者经历了不良事件.
• 梯度增强模型准确预测了梯度增强模型的准确预测.
• 不安全的不安全的
• 患者. 患者. 患者.
• 关键预测因素包括ICD-10代码,白细胞计数,BMI,年龄和西班牙裔种族.

结论:

• 机器学习可以有效地预测患有远端半径骨折后不良事件风险的患者ORIF.
• 人工智能和机器学习可以增强手术前风险分层.
• 研究结果支持改善共享决策和个性化骨折护理.