机器学习模型的开发,以预测膝关节全关节整形术后不充分的临床改善
Geunwu Gimm1,2, Byoungjun Jeon3, Sung Eun Kim4,2
1Department of Biomedical Engineering, Seoul National University College of Medicine, 103 Daehak-ro, Jongno-gu, Seoul, 03080, Republic of Korea.
Journal of orthopaedic surgery and research
|August 20, 2025
概括
机器学习模型现在可以预测患者在全膝关节整形术 (TKA) 后是否会有不良结果. 这有助于医生在手术前识别需要不同的治疗计划的患者.
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
- 数据科学数据科学数据科学
背景情况:
- 确定不太可能从全膝关节整形手术 (TKA) 中受益的患者对于共享决策 (SDM) 至关重要.
- 术前预测TKA后不充分的临床改善是必要的,以优化患者选择和管理.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以预测TKA后一年不够的临床改善.
- 利用西部安大略省和麦克马斯特大学关节炎指数 (WOMAC) 评分和其他手术前变量进行预测.
- 确定TKA后不良结果的关键预测因素.
主要方法:
- 对3810名初级TKA患者的回顾性分析.
- 基于WOMAC临床重要差异最小值 (MCID) 的不足改善的定义.
- 评估各种ML模型使用AUC,回忆,布里尔分数和沙普利增量解释.
主要成果:
- ExtraTrees ML模型在预测WOMAC疼痛,硬度,功能和总分的改善不足方面表现出很高的表现 (AUC范围从0.87到0.92).
- 确定的主要预测因素包括较差的手术前WOMAC分数,骨质疏松症,糖尿病,老年,恶性瘤和冠状动脉疾病.
- 该模型实现了70%至80%以上的召回率,用于识别改善不足的患者.
结论:
- 使用手术前WOMAC数据,ML模型有效地预测TKA后1年的不充分的临床改善.
- 这些模型可以通过识别高危患者,提高SDM和术后护理的高度准确性 (约. 70-80%的回忆,80%的特异性).
- 预测因素的解释提供了对患者分层和个性化治疗策略的见解.
