机器学习可以使用国家数据库来预测初级关节整形术后的周围假肢关节感染
Mehdi S Salimy1, Anirudh Buddhiraju1, Tony L-W Chen1
1Bioengineering Laboratory, Department of Orthopaedic Surgery, Massachusetts General Hospital, Harvard Medical School, 55 Fruit Street, Boston, MA, 02114, USA.
Archives of orthopaedic and trauma surgery
|January 17, 2025
概括
机器学习可以准确地预测关节置换术后的周围假肢关节感染 (PJI). 关键的风险因素包括更长的住院时间,更高的患者体重和特定的手术前实验室值,有助于更好的患者咨询和结果.
科学领域:
- 整形外科手术 整形外科手术
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 周围假肢关节感染 (PJI) 是关节整形手术 (THA) 后的一个重大并发症.
- 现有的PJI风险计算器缺乏机器学习 (ML) 集成.
- 需要准确的ML驱动工具来识别PJI风险因素.
研究的目的:
- 开发和验证一种ML算法,用于预测PJI在初级THA后的风险.
- 确定有助于PJI发展的关键风险因素.
- 利用国家外科手术数据库进行可靠的模型开发.
主要方法:
- 来自ACS-NSQIP数据库 (2013-2020) 的51053名初级THA患者的分析.
- 收集和评估人口,手术前,手术内和手术后的数据.
- 开发和评估五个ML模型,包括AUC和Brier分数等性能指标.
主要成果:
- 基于组图的梯度增强 (HGB) 模型显示了强大的PJI预测能力 (AUC=0.88).
- 确定的主要预测因素包括:长时间停留 (>3天),高患者体重 (>94.3公斤),ASA类4+,低手术前血小板计数 (<249,890/mm3) 和低手术前 (<139.5mEq/L).
- 该模型展示了良好的校准和歧视.
结论:
- 开发了一种高度特定的ML模型,以预测THA后患者特定的PJI风险.
- 鉴定的风险因素可以指导外科医生在咨询高风险患者时.
- 优化资源使用和改善外科手术结果是潜在的好处.
