基于机器学习的预测需要外科治疗远半径骨折的必要性
Jongmin Lim1, Sehun Chang1, Kwangsu Kim1
1Department of Computer Science and Engineering, Sungkyunkwan University College of Computing and Informatics, Suwon, South Korea.
Journal of orthopaedic surgery and research
|April 26, 2025
概括
整合临床数据和X射线的机器学习模型准确地预测了远半径骨折 (DRF) 的外科手术需求. 这种工具有助于临床医生做出治疗决策,可能改善患者的治疗结果.
科学领域:
- 整形外科手术 整形外科手术
- 医学成像医学成像
- 机器学习在医疗保健中的应用
背景情况:
- 距离半径骨折 (DRFs) 治疗决策涉及复杂的因素.
- 使用定量和定性工具来指导DRF处理.
- 为DRF管理开发先进的决策支持工具至关重要.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测DRF患者手术治疗的必要性.
- 将普通放射成像数据与临床信息相结合,以提高预测准确度.
- 提高DRF处理规划的客观性和效率.
主要方法:
- 一个ML模型使用来自1,139名DRF患者的放射和临床数据进行训练.
- 该模型使用U-Net来提取图像特征,并使用多层感知器来获取临床数据.
- 使用梯度加权类激活映射 (Grad-CAM) 和夏普利添加式扩展 (SHAP) 实现了可解释性.
主要成果:
- 集成的ML模型在预测外科手术需要方面实现了高精度 (92.98%),灵敏度 (93.28%) 和特异性 (92.55%).
- 格拉德-CAM突出了影响预测的关键放射性区域 (放射性关节,放射性转化).
- SHAP分析确定了女性性别和并发性骨折是手术的重要预测因素.
结论:
- 开发的ML模型在协助DRFs的外科治疗评估方面显示出前景.
- 准确预测手术的必要性可以提高治疗成功率和临床效率.
- 这种方法为指导骨科创伤护理临床决策提供了有价值的工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.1K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
