机器学习模型用于预测骨内甲指甲长度
Sercan Capkin1, Ali Ihsan Kilic2, Hakan Cici3
1Faculty of Medicine, Department of Orthopaedics and Traumatology, Izmir Bakircay University, Izmir, 36665, Turkey. sercancapkn@gmail.com.
BMC musculoskeletal disorders
|April 21, 2025
概括
在骨折治疗中,预测骨内甲钉 (IMN) 长度至关重要. 使用人体测量数据的机器学习模型,特别是带着结节至中等骨距离的线性回归,可以准确估计IMN长度,减少手术时间和辐射暴露.
科学领域:
- 整形外科手术 整形外科手术
- 生物医学工程 生物医学工程
- 医学中的数据科学.
背景情况:
- 骨内甲钉 (IMN) 是骨轴骨折的标准.
- 准确的IMN长度的术前预测仍然是一个挑战.
- 目前的方法通常依赖于手术内数据,增加手术时间和辐射暴露.
研究的目的:
- 评估机器学习 (ML) 模型,用人类测量来预测骨IMN长度.
- 在这个预测任务中比较不同ML模型的有效性.
主要方法:
- 追溯分析了163名接受了部IMN的患者.
- 收集的人类测量数据:身高,鞋子尺寸,大头骨到第五手指骨的距离 (OM),骨到中骨的距离 (TTMM).
- 使用并评估了四种ML模型:线性回归,随机森林,决策树和XGBoost,使用MSE和R平方值.
主要成果:
- 线性回归实现了最佳性能 (R平方=0.89,MSE=117.53).
- TTMM显示与IMN长度 (r=0.911) 的相关性最强,其次是身高和OM.
- 鞋子尺寸的相关性较弱,对预测准确性产生负面影响;非线性模型在线性回归上提供了有限的改进.
结论:
- 将人体测量数据与线性回归模型结合起来,可以准确地预测骨IMN长度.
- 这种方法可以优化术前规划,减少手术内测量,手术时间和辐射暴露.
- 建议对更大,更多样化的数据集进行进一步验证.
