在成年脊柱形手术中优化预测模型性能:对手术期间并发症的学习模型进行比较对比分析
Shane Shahrestani1, Catherine Garcia1, Andrew M Miller1
11Department of Neurosurgery, Cedars-Sinai Medical Center, Los Angeles, California; and.
Neurosurgical focus
|June 1, 2025
概括
没有单一的机器学习算法是最好的预测所有成年脊柱形手术的结果. 随机森林和梯度增强机模型有效地捕捉非线性相互作用,在特定结果 (如停留时间和贫血) 上表现优于其他模型.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 成年脊柱形 (ASD) 手术涉及复杂的外科手术期间风险.
- 预测建模可以优化患者护理和风险分层.
- 评估各种机器学习算法对于确定最准确的预测工具至关重要.
研究的目的:
- 开发和比较四种预测算法:物流回归 (LR),随机森林 (RF),梯度增强机 (GBM) 和神经网络 (NN).
- 评估这些模型在预测成人脊柱形手术中术后结果方面的表现.
- 探索线性和非线性相互作用如何影响结果特定模型选择的预测准确性.
主要方法:
- 分析了7430名成年脊柱形患者的回顾性队列.
- 预测变量包括人口统计,脆弱性,并发症,营养状况和医院特征.
- 模型 (LR,RF,GBM,NN) 被训练和测试,使用AUC和DeLong的测试来评估性能.
主要成果:
- 随机森林 (RF) 显示了预测长期停留时间 (LOS) 的最高AUC.
- 渐变增强机 (GBM) 在预测血后贫血方面表现出色.
- 后勤回归 (LR) 在所有结果中提供了适度的准确性,而神经网络 (NN) 的表现不佳.
结论:
- 没有单一的算法可以普遍预测ASD手术中的所有术后结果.
- 由于线性和非线性相互作用的不同,模型选择应根据具体结果进行量身定制.
- 整合专门的机器学习方法可以增强患者特定的风险分层和术后护理.
