基于LASSO的机器学习算法用于预测患有前椎切除和融合的患者

科学领域:

• 神经外科
• 骨科手术
• 医疗信息学

背景情况:

• 术后是前宫切除和融合 (ACDF) 后的一个常见并发症.
• 准确预测消化不良风险对于患者管理和手术规划至关重要.
• 现有的ACDF相关的预测模型在范围和准确性方面存在局限性.

研究的目的:

• 在接受ACDF的患者中开发和验证术后消化不良的可靠预测模型.
• 确定食障碍的关键预测因素,包括放射性,生物标志物,病史和手术因素.
• 为了对接受ACDF的患者进行个性化风险分层.

主要方法:

• 在500名ACDF患者 (2018-2022) 的回顾性分析.
• 对53个候选预测因子 (放射性,血液生物标志物,病史,手术特征) 的评估.
• 通过ROC和DCA分析开发使用LASSO回归和验证的预测模型.

主要成果:

• 在ACDF治疗后的一个月内,有23. 0%的患者出现食障碍.
• 最后一个由9个主要预测因素组成的小组被确定.
• 该模型的准确性高,AUC为0. 969 (训练) 和0. 954 (验证).

结论:

• 一个LASSO处罚后的逻辑回归模型准确地预测了ACDF后的手术后消化不良.
• 该模型整合了多种患者数据以提高预测能力.
• 这种预测工具可以指导个性化风险分层并改善患者的治疗结果.