相关实验视频
Updated: Sep 10, 2025
06:11
Anterior Cervical Discectomy and Fusion in the Ovine Model
Published on: October 5, 2009
13.0K
使用机器学习预测前椎切除和融合后的非常规排泄
Paul G Mastrokostas1,2, Leonidas E Mastrokostas3,4, Aaron B Lavi3
1SUNY Downstate Health Sciences University, Brooklyn, USA. Pmastrokostas06@gmail.com.
概括
在前宫切除和融合 (ACDF) 后,患者因素显著影响非常规排泄. 机器学习模型准确地预测出院结果,特别是在老年人中,强调了针对复杂患者的有针对性的干预措施的需要.
科学领域:
- 神经外科
- 医疗服务研究
- 老年病学
背景情况:
- 前椎切除和融合 (ACDF) 是一个常见的脊柱手术.
- 了解导致非例行出院的因素对于优化患者护理和资源配置至关重要.
- 患者特征的年龄相关差异可能影响术后结果.
研究的目的:
- 调查影响非常规出院的患者特异因素.
- 将这些因素分为不同的年龄组 (50-64岁,65-79岁,80岁以上).
- 评估机器学习模型在识别有非例行出院风险的患者中的预测性能.
主要方法:
- 从国家住院样本 (NIS) 数据库 (2016-2020年) 中使用了219,380个加权的ACDF病例.
- 采用八种监督机器学习模型,根据患者人口统计,住院时间 (LOS) 和并发症预测非例行出院情况.
- 通过使用邦费罗尼校正 (P < 0. 004) 的统计测试,对三个年龄层的结果进行比较.
主要成果:
- 在50至64岁的年龄组中,缺血性贫血,和种族是非常规性排泄的重要预测因素.
- 在65至79岁的年龄组中,心力衰竭和痴呆症增加了非常规性排泄的风险.
- 在80岁以上的群体中,非常规排放的种族差异仍然存在. 机器学习模型,特别是AdaBoost和梯度提升,在老年群体中实现了超过80%的AUC. 长期的LOS是所有年龄组的重要预测因素.
结论:
- 患者特异性因素显著影响ACDF后的非例行出院.
- 机器学习模型在预测放电配置方面具有很高的准确性.
- 需要针对患有复杂并发症的老年患者制定有针对性的策略,以减少不良结果并改善术后护理.