一个新型的手术前评分系统,准确预测带水平的手术内神经监测在脊柱形手术期间的数据损失:一种机器学习方法
Nathan J Lee1,2, Lawrence G Lenke1,2, Varun Arvind1
1Department of Orthopedic Surgery, Columbia University Irving Medical Center, New York, NY.
The Journal of bone and joint surgery. American volume
|January 15, 2025
概括
这项研究开发了一种机器学习工具,用于预测脊柱形手术期间手术内神经监测数据丢失的风险. 新的评分系统准确识别高风险患者,改善手术决策.
科学领域:
- 神经外科 神经外科
- 整形外科手术 整形外科手术
- 机器学习在医学中的应用
背景情况:
- 准确预测手术内神经监测 (IONM) 数据丢失对于脊柱形纠正至关重要.
- 没有现有的预测工具可以解决电缆级IONM数据丢失的风险.
研究的目的:
- 开发和验证一种机器学习衍生的评分系统,以预测脊髓形外科手术中带水平IONM数据损失.
- 为了帮助接受脊柱形纠正的患者做出明智的决策.
主要方法:
- 一种机器学习 (ML) 方法,包括随机森林 (RF) 分析和多变量逻辑回归,应用于1,106名患者.
- 患者被分为训练 (75%) 和测试 (25%) 组.
- 使用通过ML识别的八个关键预测特征开发了一个评分系统.
主要成果:
- 评分系统包含八个特征,包括形变形角比 (sDAR),脊髓形状,骨水平和最大胸部科布角.
- 较高的累积分数与线级IONM数据丢失率的增加显著相关,范围从0.9% (分数≤2) 到86% (分数≥7).
- 该系统在测试组中表现出高预测性,准确率为93%,灵敏度为75%,特异性为94%,AUC为0.898.
结论:
- 这项研究介绍了第一个ML衍生的手术前评分系统,用于预测脊髓形手术中带水平IONM数据损失.
- 开发的评分系统达到90%以上的准确性,为手术规划和风险评估提供了有价值的工具.
