使用机器学习预测单级椎盘关节整形术后的非例行性排出

科学领域:

• 脊柱外科手术 脊柱外科手术
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 在单层椎椎间板关节整形术 (CDA) 后非常规排泄会增加患者的发病率和医疗费用.
• 识别非例行出院的预测因素对于优化术后规划和改善患者结果至关重要.

研究的目的:

• 为了预测单级CDA后的非常规放电.
• 确定预测单一级CDA后非例行性排放的关键因素.

主要方法:

• 利用来自国家住院样本 (NIS) 数据库 (2016-2020) 的14,315名单级CDA患者的队列.
• 采用了八种机器学习模型,根据患者和外科特征预测非例行出院.
• 进行了统计分析,包括Chi-square和t测试,以比较结果,显著程度为0.05.

主要成果:

• 非例行出院的关键预测因素包括精神病,延长停留时间 (LOS) 和年龄.
• 种族也是一个重要因素,与白人患者相比,在黑人和西班牙裔患者中观察到更高的非例行出院率.
• AdaBoost表现出最高的精度 (93.7%) 和AUC (72.5%),紧随其后的是梯度提升 (93.0%的精度,72.6%的AUC).

结论:

• 机器学习模型,特别是AdaBoost和梯度提升,有效地预测单级CDA后的非例行放电.
• 精神病,长期住院和晚年是需要注意的重要预测因素.
• 识别这些预测因素可以指导有针对性的干预措施,以改善患者管理和减少非例行出院.