机器学习的洞察力对患者的满意度,后侧腰椎体融合
Akihiko Hiyama1, Daisuke Sakai2, Hiroyuki Katoh2
1Department of Orthopaedic Surgery, Tokai University School of Medicine, 143 Shimokasuya, Isehara, Kanagawa, 259-1193, Japan. a.hiyama@tokai.ac.jp.
概括
侧腰椎间体融合 (LLIF) 手术后的患者满意度主要是由疼痛,移动性和心理健康的功能性改善驱动的,而不是手术细节. 机器学习模型有效地识别了这些关键预测因素,以获得更好的患者结果.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 医学技术 医学技术 医学技术
- 机器学习在医疗保健中的应用
背景情况:
- 侧腰间体融合 (LLIF) 是一种对退行性腰部疾病的最小侵入性技术.
- 虽然有效,但LLIF手术后的患者满意度有很大差异.
- 确定满意度预测因素对于优化患者护理至关重要.
研究的目的:
- 确定影响LLIF手术后患者满意度的关键因素.
- 评估机器学习 (ML) 模型在识别这些因素方面的预测性能.
- 为了比较ML模型,如随机森林,物流回归,SVM和k-NN来预测满意度.
主要方法:
- 对接受LLIF的149名患者进行了回顾性分析.
- 收集手术前,手术内和手术后的变量.
- 应用ML模型 (随机森林,物流回归,SVM,k-NN) 来预测患者满意度.
- 使用五倍交叉验证进行评估,以准确性,精度,回忆和F1评分.
主要成果:
- 85.2%的患者在LLIF后表示满意度.
- 随机森林模型显示出卓越的预测性能 (82.6%的准确性,90.7%的F1得分).
- 关键的满意度驱动因素:手术前的腰部疼痛,社会功能,以及手术后的步行和心理健康的改善.
- 手术因素 (例如,合的细分,端板损伤) 对满意度的影响最小.
结论:
- 功能性结果 (缓解疼痛,移动性,心理健康) 在LLIF后对患者满意度至关重要.
- 心理健康是一个关键因素,需要心理支持.
- 机器学习模型,特别是随机森林模型,在确定满意度预测指标方面非常有效.
- 研究结果支持个性化治疗计划,重点关注整体康复.
