机器学习算法的开发和内部验证,用于预测随后的单侧滑落患者的逆侧滑落资本大腿骨突
David P VanEenenaam1, Carter Hall1, Daniel A Maranho2
1Children's Hospital of Philadelphia, Orthopedic Center, Philadelphia, PA, USA.
概括
机器学习模型可以预测相反的滑落资本股骨突 (SCFE) 风险. 体缩比 (ECR) 是一个关键的放射学预测指标,有助于决定预防性定针.
科学领域:
- 整形外科手术 整形外科手术
- 儿科整形医生 儿科整形医生
- 医学成像分析分析 医学成像分析
背景情况:
- 有争议存在于单边滑动大腿骨突起 (SCFE) 中对逆侧部的预防性固定.
- 机器学习 (ML) 提供了识别复杂模式的潜力,以预测哪些患者可能受益于预防性固定.
- 需要准确的预测模型来指导单方面SCFE管理的临床决策.
研究的目的:
- 开发和评估对应方SCFE的机器学习 (ML) 预测模型.
- 确定对外SCFE的主要人口,临床和放射风险因素.
- 评估新兴放射测量的实用性,比如体缩比 (ECR),用于预测对方SCFE.
主要方法:
- 对604名18岁以下单边SCFE患者的回顾性研究,至少18个月的随访.
- 收集的数据包括人口统计,临床信息和放射测量 (例如,侧面中央边缘角度[LCEA],ECR).
- 机器学习模型使用曲线下的面积 (AUC) 和加权的F1分数进行训练和验证,特征选择基于患者组之间的显著关系.
主要成果:
- 年轻的年龄 (<12.9岁),较低的LCEA (<30.2°) 和较低的ECR (<0.23) 是对外SCFE的显著预测因素.
- 这些因素的组合表明,最多有28.7%的抵押品SCFE风险.
- 最终的ML模型,包括年龄,骨成熟度,性别,LCEA和ECR,实现AUC为0.66和加权F1得分为0.77.
结论:
- 体缩比 (ECR) 是对侧面SCFE的一个显著的放射预测指标.
- 一个初步的ML模型在预测抵押品SCFE方面显示出有希望的准确性,因此需要对更大的数据集进行进一步调查.
- 这些发现可以为临床决策提供信息,以预防单方面SCFE病例的预防性固定.