基于Web的机器学习应用程序,用于解释性预测腰椎脊柱狭窄手术后的长期停留时间:一个可解释AI的回顾性队列研究

科学领域:

• 脊柱外科手术 脊柱外科手术
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 腰椎脊柱狭窄症 (LSS) 是老年患者背部疼痛的一个重要原因,导致了相当大的社会经济负担.
• 住院时间 (LOS) 是评估LSS患者手术后并发症和社会经济影响的关键指标.

研究的目的:

• 开发一种基于机器学习的工具,用于预测腰椎脊柱狭窄手术后长时间停留 (PLOS) 的风险.
• 使用可解释的人工智能技术来解释导致PLOS的因素.

主要方法:

• 一个随机森林 (RF) 模型是使用540名脊椎手术患者的数据开发的.
• 使用LASSO和变量重要性进行了特征选择,确定了9个关键变量.
• 用ROC,校准和决策曲线分析来评估模型性能. 使用SHAP和LIME进行模型解释.

主要成果:

• 最佳射频模型的AUC为0.93 (训练) 和0.83 (测试).
• 通过SHAP和LIME分析,在手术期间流血被确定为PLOS最重要的预测因子.
• 部署了一个Web应用程序,以促进该模型的临床利用.

结论:

• 机器学习模型与SHAP和LIME相结合,为脊柱外科医生提供了明确的个性化风险预测.
• 了解血流等关键变量的影响,有助于外科医生管理患者的治疗结果.
• 开发的RF模型和Web应用程序增强了临床决策和未来研究的可访问性.