相关实验视频
Updated: Sep 15, 2025
08:03
In Vivo Mouse Model of Spinal Implant Infection
Published on: June 23, 2020
2.5K
评估传统和人工智能模型在预测手术部位感染后脊椎手术中的预测性能和通用性:系统性审查
Laura C M Ndjonko1, Aritra Chakraborty2, Francesco Petri3
1Northwestern University, Department of Biological Sciences, 633 Clark St, Evanston, IL 60208, USA.
概括
人工智能 (AI) 模型在脊椎手术后预测手术部位感染 (SSI) 方面表现有前途,可能超过传统的统计方法. 然而,目前的方法限制阻碍了它们的广泛临床使用和通用性.
科学领域:
- 脊柱外科手术的结果
- 预测分析在医疗保健中的应用
- 机器学习在医学中的应用
背景情况:
- 手术部位感染 (SSI) 是脊柱手术的一个主要并发症,导致发病率增加,住院时间延长,医疗费用增加.
- 虽然传统的统计模型一直用于SSI风险预测,但人工智能 (AI) 和机器学习 (ML) 方法提供了替代方法.
研究的目的:
- 系统地审查和评估人工智能模型的预测准确性与传统的统计模型相比,用于评估脊柱手术患者的SSI风险.
主要方法:
- 按照PRISMA指导方针进行了系统审查,搜索主要数据库,寻找开发脊柱SSI预测模型的研究.
- 包括使用AI/ML或传统统计方法的研究.
- 使用PROBAST评估偏差风险,并使用C统计和AUC-ROC指标比较模型性能.
主要成果:
- 在包括的51项研究中,42项使用传统方法,9项使用AI/ML.
- 与传统模型 (4.8%) 相比,人工智能模型的C统计率达到0.9或更高的更高率 (44.4%).
- 然而,大多数人工智能模型缺乏外部验证,并报告了有限的校准数据,引发了人们对概括性和临床适用性的担忧.
结论:
- 人工智能模型在预测脊柱手术SSI方面显示出极好的准确性潜力,但目前的方法弱点限制了它们的即时临床实施.
- 标准化的基准测试和外部验证对于评估AI预测模型的通用性至关重要.
- 未来的进步可能涉及人工智能模型,利用超越传统表格格式的多模式数据来增强预测能力.
