预测周围假肢关节感染:评估监督机器学习模型的临床应用
Serban Dragosloveanu1,2, Diana Elena Vulpe1,2, Constantin Adrian Andrei2
1The "Carol Davila" University of Medicine and Pharmacy, Bucharest, Romania.
Journal of orthopaedic translation
|July 24, 2025
概括
机器学习模型,特别是Random Forest和XGBoost,可以准确预测关节关节整形术后的周围假肢关节感染 (PJI). 这些工具可能有助于识别高风险患者,以改善骨科护理和结果.
科学领域:
- 整形外科手术 整形外科手术
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 周围假肢关节感染 (PJI) 是关节形术后的一种严重并发症.
- PJI导致患者患病率显著,成本增加,生活质量降低.
- 准确预测PJI对于有效的患者管理至关重要.
研究的目的:
- 评估PJI各种监督机器学习模型的预测性能.
- 通过使用患者数据,确定临床应用中使用PJI预测最有效的模型.
主要方法:
- 训练并测试了八种监督机器学习模型 (物流回归,随机森林,XGBoost,ANN,KNN,AdaBoost,GNB,SGD).
- 利用了27,854名接受关节形手术的患者的数据集.
- 评估模型使用准确度,精度,回忆,特异性,F1得分和AUC.
主要成果:
- 随机森林和XGBoost表现出高精度和平衡指标的卓越性能.
- k-最近邻居 (KNN) 也表现出强的结果,特别是在最小化错误分类方面.
- 高斯的天真贝斯 (GNB) 和随机梯度下降 (SGD) 的表现较弱,错误率更高.
结论:
- 随机森林,XGBoost和KNN在PJI预测中对临床实施充满希望.
- 这些模型有可能支持更早的诊断,并改善骨科手术中的患者结果.
- 机器学习模型为增强临床决策和减少与感染相关的发病率提供了宝贵的工具.
