使用机器和深度学习来预测触发指释放手术后的短期并发症.
Rohan M Shah1, Rushmin Khazanchi1, Anitesh Bajaj1
1Northwestern University Feinberg School of Medicine, Chicago, IL, USA.
Journal of hand and microsurgery
|January 29, 2025
概括
机器学习模型可以预测触发指手术后的并发症. 随机森林和XGBoost在识别患有较高不良结果风险的患者方面表现有前途,有助于手术决策.
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
- 医疗保健中的机器学习
背景情况:
- 触发指是一种常见的手部疾病,导致疼痛和锁定.
- 对于耐火病例,A1轮的手术释放是一种选择.
- 预测手术后的短期并发症对于患者管理至关重要.
研究的目的:
- 评估机器学习 (ML) 技术,以预测触发指释放手术后的短期并发症.
- 通过特征重要性分析识别并发症的关键预测因素.
- 评估不同的ML算法在风险分层中的性能.
主要方法:
- 从ACS-NSQIP数据库中对1209个触发数字释放案例 (2005-2020年) 的回顾性分析.
- 随机森林 (RF),弹性网回归 (ENet),极端梯度增强树 (XGBoost) 和神经网络 (NN) 算法的评估.
- 分析30天后的并发症和重复手术,并评估特征的重要性.
主要成果:
- 在医疗并发症 (AUC:0.70) 和重复手术 (AUC:0.60) 中,XGBoost表现最好.
- 随机森林在预测伤口并发症方面是最佳的 (AUC:0.64).
- 所有模型的表现明显超过了0.50的基准AUC;年龄是伤口并发症的关键预测因素.
结论:
- 机器学习对于手术患者的风险分层是有效的,手术患者接受触发数字释放.
- 手部外科医生应该在外科实践中探索ML的进一步应用.
- ML有助于识别患有术后并发症风险的患者,改善手术结果.
