机器学习预测模型在脊髓转移手术期间大量流血的外部验证:一项多机构研究,使用880名患者

科学领域:

• 整形外科手术 整形外科手术
• 脊椎瘤学 脊椎瘤学
• 机器学习在医学中的应用

背景情况:

• 开发了一种机器学习 (ML) 模型,用于预测脊髓转移后部减压手术期间的大量手术内流血 (>2500毫升).
• 该模型在中国境内的外部验证方面表现强.

研究的目的:

• 在北美和欧洲患者队列中外部验证预测性ML模型.
• 评估模型在不同地理区域和患者群体中的通用性.

主要方法:

• 追溯多机构队列研究,包括美国,英国和荷兰880名患者 (2016-2022年).
• 模型性能使用布赖尔得分,AUC,校准和决策曲线分析进行评估.
• 使用七种方法量化血液损失;手动收集关键输入变量.

主要成果:

• ML模型在验证队列中表现不佳,高估了风险.
• 在所有队列和分析中,歧视 (AUC:0.631) 和校准都低于最佳值.
• 临床效用分析表明,在20%的决策值下,潜在的净损害是20%.

结论:

• 这是对骨科外科预测ML模型的首次发表的外部验证,显示性能差.
• 性能差可能源于过度配合,发展队列中的抽样偏差和分布式转移.
• 强调在临床实施之前,需要在多样化的群体中进行广泛的验证,并解决ML模型偏差的关键需求.