使用人工智能技术的负预后因素和临床改善预测建模,用于形肩炎的体外冲击波疗法,使用人工智能技术
Wen-Yi Chou1, Tian-Hsiang Huang2, Jai-Hong Cheng3
1Ph.D. Program in Biomedical Engineering, College of Medicine, Kaohsiung Medical University, Kaohsiung, Taiwan; Department of Orthopedic Surgery, Kaohsiung Chang Gung Memorial Hospital and Chang Gung University College of Medicine, Kaohsiung, Taiwan; Department of Leisure and Sport Management, Cheng Shiu University, Kaohsiung, Taiwan.
肩膀状肌炎的体外冲击波疗法 (ESWT) 可能由于症状长期存在,严重疼痛或治疗前的高分数导致失败. 人工智能,特别是XGBoost,准确地预测ESWT结果,帮助临床决策.
科学领域:
- 整形外科 整形外科 整形外科
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 肩部状肌炎的治疗疗效可能有所不同.
- 预后因素影响体外冲击波疗法 (ESWT) 的成功.
- 确定ESWT失败的预测因素对于患者管理至关重要.
研究的目的:
- 为了确定ESWT在肩部状肌炎中失败的预后因素.
- 评估 eXtreme Gradient Boosting (XGBoost) 算法的ESWT结果的预测能力.
- 为了帮助ESWT的临床决策,用于肩部状肌炎.
主要方法:
- 对296名肩膀状肌炎患者进行ESWT的回顾性研究.
- 输入属性包括年龄,性别,症状持续时间,化细节,视觉模拟量表 (VAS) 和恒定-默利分数 (CMS).
- 用于结果预测的XGBoost模型,具有数据集平衡和10倍交叉验证.
主要成果:
- 症状持续时间长 (>10个月),严重疼痛 (ESWT前VAS>5) 和高ESWT前CMS (>55) 预测ESWT失败.
- 该XGBoost模型实现了高准确度,精度,回忆和F1分数.
- 减少了输入组 (年龄,化大小,ESWT前CMS,症状持续时间) 保持了高的预测准确性.
结论:
- 确定了ESWT在肩部状肌炎中衰竭的显著预后因素.
- 人工智能 (XGBoost) 能够有效地预测ESWT后的视觉模拟尺度 (VAS) 和恒定-默利分数 (CMS) 结果.
- 经过训练的XGBoost模型可以帮助临床医生预测ESWT结果并优化患者护理.
更多相关视频
03:50Author Spotlight: Effectiveness of Extracorporeal Shockwave Therapy in Achilles Tendinopathy Treatment
Published on: August 2, 2024
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018