开发和验证机器学习模型,以预测在全关节整形术中骨杯的大小
Felix C Oettl1,2, Aaron I Weinblatt1, Brian Chalmers1
1Hospital for Special Surgery, New York, NY, USA.
Journal of orthopaedics
|August 4, 2025
概括
机器学习准确地预测关节整形术 (THA) 中的部植入物大小,改善库存管理和降低成本. 这种方法提高了骨科制造商和医院的供应链效率.
科学领域:
- 整形外科手术 整形外科手术
- 机器学习 机器学习
- 医疗器械库存管理 医疗器械库存管理
背景情况:
- 有效的植入物库存管理对于优化关节整形手术程序的效率,存储和成本节省至关重要.
- 准确预测植入物大小对于简化手术规划和资源配置至关重要.
研究的目的:
- 评估先进的机器学习模型在提高预测准确度的有效性为选择性初级全关节整形手术 (THA) 的acetabular杯大小.
- 评估机器学习在提高库存管理和降低与THA植入物相关的成本方面的潜力.
主要方法:
- 对来自单一机构的30583例初级THA病例 (2016-2024) 进行了回顾性分析.
- 使用9个手术前参数来训练两个机器学习模型 (量子回归森林和可解释的增强机器) 进行杯子大小预测.
- 模型性能使用根平均平方误差 (RMSE),平均绝对误差 (MAE),斯皮尔曼相关性和±2mm和±4mm内的预测准确性进行了评估.
主要成果:
- 量子回归森林 (QRF) 模型在平均绝对误差 (MAE) 和现实世界可用性方面表现出卓越的性能,在±2mm范围内达到82.85%的精度.
- 可解释增强机器 (EBM) 在RMSE和斯皮尔曼相关性中表现更好,主要预测因素包括性别,身高,年龄,体重,手术方法和BMI.
- 这两种模型都显示出高准确度,QRF在97.27%的病例中预测在±4mm内.
结论:
- 机器学习模型可以准确地预测关节整形整体植入物大小,使用随时可用的术前数据.
- 实施这些预测模型可以显著改善骨科供应链物流和医院库存管理,从而大幅节省成本.
- 这项技术为更高效,更具成本效益的全关节整形手术提供了途径.
