使用无监督机器学习进行关节镜旋转手套修复的患者中定义临床上有意义的子组
Yining Lu1, Elyse J Berlinberg2, Kareme Alder1
1Department of Orthopedic Surgery, Mayo Clinic, Rochester, Minnesota, USA.
Orthopaedic journal of sports medicine
|June 19, 2025
概括
无监督机器学习在关节镜旋转手套修复 (RCR) 后确定了患者子组. 更大的撕裂尺寸和特定的肌干涉预测了较差的结果,而双肩肌术改善了结果.
科学领域:
- 整形外科手术 整形外科手术
- 机器学习在医学中的应用
- 患者研究成果研究结果
背景情况:
- 临床显著的结果 (CSO) 对于评估关节镜旋转手套修复 (RCR) 的成功至关重要.
- 在RCR之后预测全球CSO成就仍然是一个挑战.
研究的目的:
- 使用无监督机器学习识别可选关节镜RCR后基于CSO成就的不同患者子组.
- 发现影响RCR患者CSO成就的因素.
主要方法:
- 对前性收集的对接受关节镜RCR的患者数据库的分析.
- 利用无监督的随机森林算法将患者分成基于CSO成就的子组.
- 采用逐步多变量后勤回归来确定最佳社会社会组织成就的预测因素.
主要成果:
- 在333名患者中确定了两个不同的子组 (最佳和亚最佳CSO成就).
- 旋转袖口撕裂大小增加 (斜面尺寸> 1.9厘米),涉及的肌数量增加,以及 subscapularis 参与预测了次优化结果.
- 与双肩切术相比,腹下双肩切术与CSO成就的可能性更高有关.
结论:
- 无监督机器学习在关节镜RCR后有效地确定了临床上有意义的子组.
- 撕裂的大小,受影响的肌数量和下肌的参与是低于最佳的CSO成就的重要预测因素.
- 双臂切显示出一种保护作用,与切相比,增加了实现CSO的可能性.
