基于可解释的机器学习模型,预测患有舌腔骨折的患者术后无血管亡的风险

科学领域:

• 整形外科手术 整形外科手术
• 机器学习在医学中的应用
• 生物医学数据科学 生物医学数据科学

背景情况:

• 血管亡 (AVN) 是口腔骨折后的一种严重并发症,影响患者的治疗结果.
• 预测AVN风险对于及时干预和个性化治疗策略至关重要.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测口腔骨折后的AVN.
• 为了确定与AVN发育后骨折相关的独立风险因素.

主要方法:

• 对207名患有口腔骨折的患者进行了回顾性队列研究.
• 数据包括人口统计,骨折特征,手术细节和后续情况.
• 机器学习模型,包括XGBoost,被训练和验证;SHAP值被用于可解释性.

主要成果:

• 在XGBoost模型显示高预测性能 (AUC,特异性,敏感性) 的AVN.
• 确定了六个独立的风险因素:BMI,骨折分类,并发骨折,吸烟,减肥质量和骨折类型.
• SHAP分析提供了对个别预测的特征重要性的见解.

结论:

• 一个可解释的机器学习模型有效地预测了口腔骨折后的AVN风险.
• 该模型有助于识别高风险患者和针对性预防的可修改因素.
• 这种方法支持个性化策略,以减轻AVN并发症.