机器学习算法的比较分析,以根据患者特征预测骨内甲指甲的长度

科学领域:

• 整形外科手术 整形外科手术
• 生物医学工程 生物医学工程
• 机器学习应用程序 机器学习应用程序

背景情况:

• 准确预测骨内甲长度对于成功的骨科手术至关重要.
• 确定指甲长度的传统方法可能缺乏精度,可能导致并发症.
• 患者人口统计数据为改善手术前估计提供了潜在的途径.

研究的目的:

• 评估五种机器学习算法的性能,以预测骨内甲长度.
• 利用患者人口统计数据 (性别,身高,年龄,体重) 开发一种临床相关且准确的预测模型.
• 为了比较不同机器学习模型的预测准确度,以确定爪长度.

主要方法:

• 追溯分析155名接受了骨内甲钉的患者.
• 数据预处理包括清理,异常值处理和性别编码.
• 模型对80%的数据进行了训练,对20%的数据进行了测试,使用RMSE,MAE,R2和相关性分析进行了评估.

主要成果:

• XGBoost模型实现了最低的测试RMSE (9.15毫米) 和MAE (7.56毫米),R2为0.871.
• 身高被确定为最有影响力的预测因素,其次是体重和年龄.
• 所有评估的模型都显示了可接受的准确性 (≥86.21%) 在±15毫米的误差范围内.

结论:

• 机器学习,特别是XGBoost算法,显著增强了前手术预测的小腿内甲指甲长度.
• 开发的模型提供了一个临床上有价值的工具,可以改善手术规划,并可能减少手术内并发症.
• 患者人口统计数据是最佳爪尺寸的强有力的预测指标.