预测腰椎膜切除和椎间盘切除后的手术部位感染:通过将合并堆叠纳入自动机器学习当前最先进的现状,采用前沿的算法方法
Ali Haider Bangash1, Kyle Mani2, Samuel N Goldman2
1Department of Neurosurgery, Montefiore Medical Center, Albert Einstein College of Medicine, 3316 Rochambeau Ave, Bronx, NY, 10467, USA.
Neurosurgical review
|September 18, 2025
概括
这项研究开发了一种先进的机器学习模型,用于预测脊椎手术后的手术部位感染 (SSI). 这种新的方法实现了高精度,有助于改善退行性脊髓疾病患者的治疗结果.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 机器学习 机器学习
- 预防传染病 预防传染病
背景情况:
- 手术部位感染 (SSIs) 是成年退行性脊髓疾病 (DSD) 的腰椎切除术和椎间盘切除术后的一个重要并发症.
- 准确预测SSI对于有效的患者管理和资源分配至关重要.
研究的目的:
- 开发和验证一种算法方法,用于预测腰椎切除术和椎间盘切除术的患者的SSI.
- 将组合堆叠纳入最先进的自动机器学习 (aML) 中,以提高预测准确度.
主要方法:
- 使用前性多中心监测数据集,在腰椎片切除和椎间盘切除后对SSI进行监测.
- 在aML框架内使用了9个算法 (XGBoost,LGBM,NN,CatBoost,RF) 与超参数调整.
- 实现组合堆叠,结合堆叠和组合模型,使用五倍交叉验证和宏观加权平均接收器操作曲线下的面积 (mWA-AUROC) 进行评估.
主要成果:
- 一个堆叠组合模型在预测SSI方面实现了0.994的mWA-AUROC,准确率为98.7%,灵敏度为90%,特异性为98.81%.
- 顶级模型 (XGBoost-20) 确定的主要预测因素包括手术时间,吸烟状态和患者年龄.
- 算法模型架构可在GitHub上进行外部验证.
结论:
- 新的算法方法将组合堆叠集成到aML中,有效地预测DSD的腰椎片切除术和椎间盘切除术后的SSI.
- 堆叠组合模型的高性能表明它作为一种有价值的临床工具的潜力,可以改善脊柱手术中的决策和患者结果.
- 建议在不同的环境中进一步验证并将其纳入临床实践.
