机器学习用于个性化风险估计在前腰椎间体融合的机器学习
Mert Karabacak1, Pemla Jagtiani2, Alexander J Schupper1
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, USA.
Neurosurgery practice
|February 17, 2025
概括
机器学习可以准确地预测前腰椎体融合 (ALIF) 后的短期并发症. 该工具有助于个性化患者护理,并改善ALIF手术的外科结果.
科学领域:
- 脊柱手术研究结果研究结果
- 机器学习在医疗保健中的应用.
- 在手术患者护理中的预测分析.
背景情况:
- 前腰间体融合 (ALIF) 是有效的,但具有手术风险.
- 个性化护理计划可以减轻ALIF患者的负面结果.
- 预测短期术后结果有助于风险管理.
研究的目的:
- 评估机器学习 (ML) 算法,以预测ALIF后的不良术后结果.
- 开发一种可访问的工具,用于预测ALIF手术的短期结果.
- 通过预测手术风险,提高个性化的患者护理.
主要方法:
- 利用美国外科医生学院国家外科质量改进计划数据库.
- 应用了6个ML算法来构建ALIF术后结果的预测模型.
- 将高性能模型集成到一个开放访问的Web应用程序中.
主要成果:
- 分析了8304名ALIF患者的数据.
- 轻GBM模型在长时间住院和非家庭出院方面实现了高精度 (AUC 0.735-0.814).
- 随机森林模型在30天的再入院和重大并发症方面表现强 (AUC 0.701-0.707).
结论:
- 机器学习显示出在ALIF中预测术后结果的巨大潜力.
- 随着脊柱手术数据的增长,预测模型可以提高风险评估和预后.
- 一个可访问的网络工具现在可用于个性化的ALIF患者预测.
