在膝关节和关节整形术中利用机器学习进行手术预测 - 一项开发和验证研究

科学领域:

• 整形外科手术 整形外科手术
• 数据科学数据科学数据科学
• 预测分析是一种预测分析.

背景情况:

• 在关节和膝关节整形术 (HA/KA) 中,手术 (DOS) 的持续时间是不良事件的重要风险因素.
• 预测DOS对于优化外科手术安排和患者安全至关重要.

研究的目的:

• 用手术前数据评估机器学习预测HA/KA手术持续时间的能力.
• 将机器学习预测性能与多变量回归进行比较.
• 在多医院和单一医院环境中确定手术持续时间的关键预测因素.

主要方法:

• 使用了极端梯度提升 (XGBoost) 和多变量线性回归.
• 模型在多医院 (3,704名患者) 和单一医院 (1,815名患者) 数据集上进行了训练和测试.
• 数据被分为培训 (75%) 和测试 (25%) 组,用于培训使用5倍交叉验证.

主要成果:

• 在多医院设置中,XGBoost在测试数据上实现了12.13分钟 (HA) / 13.61分钟 (KA) 的平均绝对误差 (MAE),在单一医院设置中达到10.87分钟 (HA) / 12.53分钟 (KA).
• 机器学习 (XGBoost) 显示出比回归更好的预测性能趋势,尽管在统计学上并不显著.
• 关键预测因素包括医生经验,患者年龄,体重指数,患者报告的结果措施和医院 (在多医院分析中).

结论:

• 机器学习模型在预测HA/KA手术持续时间方面表现出合理的表现.
• 虽然ML和回归之间的性能差异很小,但更大的数据集可以提高预测准确性.
• 医院特异性因素显著影响多医院预测,表明医院之间的医疗质量差异.