在老年OVCF患者中以机器学习为驱动的术后再骨折风险因素的预测:模型开发和验证

科学领域:

• 整形外科 整形外科 整形外科
• 老年病的医生 老年病的医生
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 老年骨质疏松性脊椎压缩骨折 (OVCF) 患者患有并发症,面临高的骨折复发率 (高达52%).
• 现有的风险模型未能捕捉到这一群体中复杂的疾病相互作用.
• 开发了一个新的机器学习 (ML) 框架来解决这些局限性.

研究的目的:

• 开创一个机器学习 (ML) 框架,用于预测老年骨质疏松性脊椎压缩骨折 (OVCF) 患者的术后复发骨折.
• 通过整合多维患者因素来确定重新骨折的新型预测因素.
• 改善这一高风险群体的风险分层和术后护理.

主要方法:

• 对560名患有并发症的OVCF患者进行分析,这些患者接受了皮肤穿透脊椎造形术 (PVP).
• 特征工程选择了14个变量,包括脊椎病,慢性病 (CKD),精神障碍和心血管并发症.
• 训练和验证了六种ML模型,使用AUC-ROC,精度回忆曲线和决策曲线分析 (DCA) 来评估性能. 为了解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 随机森林 (RF) 模型显示出优异的预测性能 (测试AUC=0.88,灵敏度=0.77,特异性=0.87).
• 脊椎病 (SHAP = 0.14),精神障碍 (0.12) 和CKD (0.10) 被确定为前三大危险因素.
• 决策曲线分析 (DCA) 证实了高临床效用,RF提供了最大的净益.

结论:

• 机器学习为患有并发症的OVCF患者的再骨折预测提供了一种变革性的方法.
• 低估的风险因素,如脊椎病,精神障碍和CKD需要综合管理.
• 这种ML框架可以实现个性化风险分层,并增强术后护理策略.