在转移性脊髓疾病中手术部位感染的基于人工智能的预测模型:一个多中心的开发和验证研究

科学领域:

• 在瘤学瘤学.
• 神经外科 神经外科
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 手术部位感染 (SSI) 是治疗转移性脊髓疾病的一个重大挑战.
• 目前用于预测SSI的临床工具不可靠,影响患者管理.
• 这项研究旨在开发一种AI驱动的应用程序,用于这些患者的SSI风险分层.

研究的目的:

• 构建和验证人工智能 (AI) 工具,用于预测转移性脊髓疾病患者的手术部位感染 (SSI).
• 根据患者患上SSI的风险来分层患者.
• 通过个性化风险评估,增强外科护理.

主要方法:

• 在667名转移脊髓疾病患者的数据上训练并验证了多个机器学习模型 (包括GBM,KNN,NN).
• 使用歧视 (AUC) 和校准指标评估模型性能.
• 确定了SSI的关键预测因素,例如手术时间,瘤类型和并发症.

主要成果:

• 渐变增强机 (GBM) AI 模型在导出队列中实现了最高的预测准确性 (AUC 0.986).
• 人工智能应用显著超过临床医师的评估 (AUC 0.986与0.572-0.627).
• 手术时间,瘤类型和并发症是术后SSI的关键预测因素.

结论:

• 一个人工智能工具已成功开发和验证,用于预测转移性脊髓疾病患者的SSI风险.
• 人工智能工具展示了强大的预测性能和临床实用性.
• 这种人工智能应用程序有可能通过实现个性化风险分层和治疗来改善外科护理.