基于机器学习的预测退行性宫骨髓病的术后神经结果
Shuai Zhou1,2,3,4, Zexiang Liu1,2,3, Haoge Huang1,2,3
1Department of Orthopaedics, Peking University Third Hospital, Beijing, China.
Frontiers in bioengineering and biotechnology
|March 19, 2025
概括
机器学习模型预测了退行性宫髓病 (DCM) 手术后的神经结果. 使用年龄和手术前JOA分数等因素的LightGBM模型显示了患者康复的最佳预测能力.
科学领域:
- 神经外科和机器学习
- 脊髓损伤预测的方法
- 退行性宫髓病 (DCM) 研究研究
背景情况:
- 退行性宫髓病 (DCM) 是一种渐进的脊髓疾病.
- 预测手术结果对于患者管理和手术决策至关重要.
- 当前的预测方法可能无法完全捕获复杂的患者数据.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测DCM患者手术后的神经结果.
- 确定影响宫减压后患者康复的关键因素.
- 为改善患者咨询和手术规划提供一个工具.
主要方法:
- 对672名经过宫解压的DCM患者进行了回顾性分析.
- 训练了五个ML算法 (LR,SVM,RF,XGBoost,LightGBM) 来预测日本骨科协会 (JOA) 评分中的临床重要差异最小值 (MCID).
- 模型性能使用接收器操作特征曲线 (AUROC) 下的区域和精度召回曲线 (AUPRC) 下的区域进行了评估,并进行了特征重要性分析和外部验证.
主要成果:
- 对于短期结果,LightGBM模型显示了最高的预测性能 (AUROC: 0.745,AUPRC: 0.810).
- 关键的预测特征包括手术前的JOA分数,年龄和SF-36分数 (GH,BP,PF).
- 一个功能减少的LightGBM模型保持了强大的预测能力 (AUROC: 0.734) 并在外部数据集上得到了良好验证 (AUROC: 0.785).
结论:
- 机器学习,特别是LightGBM算法,可以有效地预测DCM患者的术后神经结果.
- 年龄,手术前的JOA分数和特定的SF-36域是手术成功的关键预测因素.
- 一个简化,功能减少的模型为临床应用提供了一种实用的方法,预测准确度的损失最小.
