机器学习算法的开发和验证,用于预测脊髓转移性疾病中长期的术后阿片类药物使用情况

科学领域:

• 在瘤学瘤学.
• 神经外科 神经外科
• 数据科学数据科学数据科学

背景情况:

• 脊柱转移性疾病的管理侧重于息,有恢复的期望.
• 长期使用阿片类药物是恢复的关键指标.
• 在这个人群中,阿片类药物使用的预测模型很少.

研究的目的:

• 开发和验证机器学习模型,用于预测外围脊柱转移性疾病外科手术后长期使用阿片类药物.
• 确定影响术后阿片类药物依赖的因素.
• 通过增强的预后来改善疼痛管理策略.

主要方法:

• 对MerativeTM Marketscan®商业数据库和医疗保险补充剂 (2006-2023) 的分析.
• 包括成年患者与外围脊柱转移性疾病和6个月的手术前/后数据.
• 开发和验证五个机器学习模型 (梯度提升,SVM,神经网络,随机森林,处罚后勤回归) 使用70/30分割.

主要成果:

• 总共有732名患者被分析;46.6%的患者在出院后长期使用阿片类药物.
• 随机森林模型显示出最好的预测准确度 (AUC:0.611,Brier分数:0.24).
• 节的预测模型已成功开发和验证.

结论:

• 机器学习模型可以有效地预测脊髓转移性疾病手术的患者长期使用阿片类药物.
• 这些模型为改善临床决策和个性化术后疼痛管理提供了潜力.
• 将其整合到临床工作流中可以优化患者的护理和康复轨迹.