多类机器学习算法的实用性,用于预测初级膝关节整形术后的当天出院
Shane Fei Chen1, Anirudh Buddhiraju1, Tony Lin-Wei Chen1
1Bioengineering Laboratory, Department of Orthopaedic Surgery, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA.
The Journal of arthroplasty
|September 5, 2025
概括
机器学习可以准确地预测全膝关节整形术 (TKA) 患者的当天出院情况. 这提高了门诊TKA手术的患者选择,资源分配和成本效益.
科学领域:
- 骨科手术
- 医疗信息学
- 在医疗保健中的机器学习
背景情况:
- 停留时间 (LOS) 对初级全膝关节整形手术 (TKA) 的成本产生重大影响.
- 目前患者选择同日出院TKA具有挑战性,失败率很高.
- 开发精确的LOS预测模型对于优化TKA途径至关重要.
研究的目的:
- 开发和评估用于TKA患者选择的多类机器学习模型.
- 预测当天出院的资格,并确定患有长期LOS风险的患者.
- 利用大量的国家患者队列进行强有力的模型开发和验证.
主要方法:
- 分析了2017年至2023年的167,859个初级TKA.
- 将LOS分为同一天,1-3天和>3天.
- 使用精度,科恩卡帕和AUC等性能指标开发和评估机器学习模型 (ANN,RF,KNN,XGBoost).
主要成果:
- 随机森林 (RF) 模型显示出优异的性能,准确率为90. 3%,微平均AUC为0. 97.
- LOS的主要预测因素包括麻醉类型,性别,BMI,ASA得分,高血压,年龄和手术时间.
- 确定的发病率为:当天发病率为2. 1%,1-3天发病率为88. 1%,长期发病率为9. 8%.
结论:
- 机器学习模型可以准确地识别适合同一天退院的患者.
- 这些模型有效地预测了TKA后长期LOS相关的风险.
- 实施可以提高患者选择门诊手术,改善结果和成本效益.
