使用机器学习进行手术前预测,未能在全膝关节整形术患者中实现临床重要差异和实质性临床益处的最小值
Jaeyoung Park1, Emilie N Miley2,3, Xiang Zhong4
1School of Global Health Management and Informatics, University of Central Florida, Orlando, FL, 32801, USA.
Knee surgery & related research
|September 10, 2025
概括
机器学习模型可以预测患者在全膝关节关节整形术 (TKA) 后不太可能获得重要结果. 手术前的因素,如PROMs,药物史和年龄,有助于识别这些患者,以便更好地共享决策.
科学领域:
- 整形外科手术 整形外科手术
- 医疗保健中的机器学习
- 患者报告的结果
背景情况:
- 了解最小临床重要差异 (MCID) 和实质性临床益处 (SCB) 对于使用患者报告结果测量 (PROM) 评估全膝关节整形术 (TKA) 结果至关重要.
- 如果未能实现MCID和SCB,可能表明手术效益不足,需要预测工具.
研究的目的:
- 利用机器学习 (ML) 来预测患有不达到MCID和SCB风险的患者在TKA后的关节置换 (KOOS JR) 膝关节损伤和骨关节炎结局得分.
- 确定与未能达到这些结果值相关的术前风险因素.
主要方法:
- 开发和比较各种ML模型 (惩罚后勤回归,支持矢量机器,随机森林,极端梯度增强) 使用来自1064名TKA患者的数据.
- 包括81个手术前变量,如KOOS JR,PROMIS-10分数和病史.
- 预测基于分布和的MCID和SCB,并使用后勤回归来识别风险因素.
主要成果:
- 包括随机森林和处罚后勤回归在内的ML模型显示了可接受的预测性能 (AUC ≈ 0.7).
- 确定了未能达到结局值的关键手术前风险因素:KOOS JR得分,PROMIS-10身体和心理健康得分,抗抑郁药物使用史,年龄和Kellgren-Lawrence等级.
结论:
- 机器学习模型有效地识别患者在TKA后没有达到基于值的结果的风险.
- 这些模型可以加强患者和外科医生之间的共享决策.
- 开发的模型可以作为有价值的风险分层工具,以改善TKA结果的质量评估.