通过有效的特征工程和堆叠集体学习,通过皮肤椎造形术后可解释的AI辅助脊椎折断诊断

科学领域:

• 生物医学工程 生物医学工程
• 数据科学在医学中的数据科学
• 整形外科 整形外科 整形外科

背景情况:

• 骨质疏松性脊椎压缩骨折 (OVCF) 在皮肤穿透脊椎塑造术后具有显著的折断风险.
• 准确预测折断风险对于有效的患者管理和个性化康复至关重要.

研究的目的:

• 开发和验证用于预测脊椎折断风险的机器学习模型.
• 采用堆叠集体学习和特征选择,以提高预测准确度.

主要方法:

• 从OVCF患者的临床数据的回顾性收集.
• 使用了两层堆叠组合模型与五个算法 (LR,DT,RF,SVM,XGBoost).
• 应用特征选择和夏普利添加式解释 (SHAP) 用于模型解释.

主要成果:

• 堆叠组合模型实现了高AUC (0.984内部,0.959外部) 和AP (0.987内部,0.949外部).
• 确定的主要预测因素包括支架使用,年龄,抗骨质疏松药物,阳光照射和维生素D水平.
• SHAP分析提供了全球和个人层面的风险因素见解.

结论:

• 开发的模型显示了高准确性和概括性,用于预测脊椎造形术后折断风险.
• 为风险评估和个性化康复规划提供有价值的临床决策支持.