机器学习模型的开发,以预测患者在腰椎间盘或脊柱狭窄手术后感受到的益处
Zheng An Toh1,2, Vajira Thambawita3, Margreth Grotle4,5
1Alice Lee Centre for Nursing Studies, Yong Loo Lin School of Medicine, National University of Singapore, Singapore, Singapore. e0191325@u.nus.edu.
概括
机器学习模型预测患者在脊椎手术后感知到的好处. 这些工具可以帮助指导腰椎间盘和脊柱狭窄症患者的临床决策.
科学领域:
- 脊柱手术研究结果研究结果
- 机器学习在医疗保健中的应用
- 患者报告的结果衡量结果.
背景情况:
- 脊柱手术的结果差异很大,需要客观的决策支持工具.
- 现有的模型往往忽略了全球患者的感知,例如全球感知效应 (GPE).
- 从患者的角度来看,GPE是治疗成功的关键指标.
研究的目的:
- 开发和临时验证机器学习 (ML) 模型.
- 预测全球感知效应 (GPE) 12个月后的腰椎手术.
- 专注于腰椎间盘和脊柱狭窄症的患者.
主要方法:
- 利用来自挪威脊柱外科手术注册的基于注册的数据集.
- 为模型开发 (2007-2017年) 和验证 (2018-2021年) 进行时间分割的数据.
- 评估了六个ML模型 (XGBoost,随机森林,MLP等) 用于预测二分化的GPE结果.
主要成果:
- 包括13000多名椎间盘和18000名脊柱狭窄患者.
- MLP模型在椎间盘 (C-统计0.72) 中表现最好;XGBoost在脊柱狭窄 (C-统计0.67) 中表现最好.
- 确定了关键预测因素:疼痛持续时间,手术前,焦虑/抑郁,教育和医疗保健环境.
结论:
- 开发并验证了ML模型,以预测腰椎手术后患者感知到的益处.
- 椎间盘模型展示了有用的区分和校准.
- 这些模型显示出在脊椎外科手术中为临床决策提供信息的潜力.
