根据膝盖的冠状平面对齐,使用机器学习算法,预测开端高骨折术后序列对齐变化

科学领域:

• 整形外科手术 整形外科手术
• 生物机械分析分析
• 机器学习在医学中的应用

背景情况:

• 术后膝关节对齐的准确预测对于开口高骨切除术 (OWHTO) 后的成功结果至关重要.
• 将调整分类为表型有助于分析和预测这些变化.

研究的目的:

• 开发一种机器学习模型,用于预测OWHTO后的膝盖冠状平面对齐 (CPAK) 现象型.
• 确定影响最终对齐表型的关键预测因素.

主要方法:

• 对接受OWHTO的163个膝盖进行了回顾性分析,数据评估为手术前,3个月后和最后的随访.
• 使用放射学参数和CPAK表型的机器学习模型的开发.
• 曲线下的利用面积 (AUC) 用于模型评估和沙普利添加式解释 (SHAP) 用于特征重要性.

主要成果:

• 多层感知器 (MLP) 模型表现出高预测性能 (放射性参数AUC为0.867,CPAK表型为0.783).
• 3个月后的术后关节线曲 (JLO) 是最重要的放射学预测因素.
• 宪法和手术前对齐也起到了作用,但手术后3个月的特征是最强的预测因素.

结论:

• 在OWHTO之后,MLP模型有效地预测最终的CPAK表型.
• 术后的JLO是预测最终膝盖对齐的关键放射性参数.
• 结合宪法,手术前和术后数据,可提高预测准确度,从而实现最终对齐.