来自输入的见解:通过机器学习预测改进修订总关节关节整形术资源配置

科学领域:

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

背景情况:

• 修复全膝关节整形术 (rTKA) 和修复全关节整形术 (rTHA) 是复杂的,资源密集的骨科手术.
• 准确预测手术持续时间,停留时间和再入院时间对于资源管理和患者的结果至关重要.
• 在不同数据源中比较预测模型性能对于优化医疗保健资源配置至关重要.

研究的目的:

• 为了比较机器学习模型 (人工神经网络 - ANNs) 的准确性,使用行政与机构数据集来预测rtka和rtha中的关键结果.
• 为了确定这些结果的显著的术前预测特征.
• 评估ANN与多变量回归模型的性能.

主要方法:

• 利用国家 (2014-2019年) 和机构 (2012-2022年) 的关节整形数据库来处理RTKA和RTHA病例.
• 开发了人工神经网络 (ANN) 和多变量回归模型,用于预测手术持续时间,停留时间和30天的再入院.
• 使用缓冲区准确度 (BA) 和用Shapley增量扩展 (SHAP) 值识别特征重要性的数据集之间的模型性能比较.

主要成果:

• 机构ANN在预测手术持续时间方面显示出更高的准确性 (76.2%对rTKA的45.4%,对rTHA的55.4%对43.1%).
• 国家ANN在预测停留时间方面表现出更高的准确性 (81.8%对rTKA的67.7%,对rTHA的71.4%对48.2%).
• 国家数据库ANN在30天再接收预测中实现了0.593 (rTKA) 和0.590 (rTHA) 的AUC得分.

结论:

• 根据使用的数据集,ANN模型的性能显著不同,这突显了数据源选择的重要性.
• 所有开发的模型都超过了基于历史平均值的预测.
• 未来的研究应该利用准确的关节整形专用数据集,并确定了改善结果的重要预测特征.