构建机器学习模型的验证,用于预测足骨折手术后手术部位感染风险
Qinyang Zhang1, Guolin Chen2, Chengqiang Zhou1
1Department of Orthopaedic Surgery, Chongqing Municipal Health Commission Key Laboratory of Musculoskeletal Regeneration and Translational Medicine/Orthopaedic Research Laboratory, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
International journal of surgery (London, England)
|October 10, 2025
概括
机器学习模型准确地预测了关节骨折手术后手术部位感染 (SSI) 风险. 梯度增强机模型表现最好,识别了关键的手术前风险因素,以更好地管理患者.
科学领域:
- 整形外科手术 整形外科手术
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 手术部位感染 (SSI) 是脚骨折内部固定的主要并发症,增加了成本和患者的发病率.
- 准确的手术前风险评估对于分层患者和优化手术方案至关重要.
- 这项研究探讨了机器学习 (ML) 用于预测脚骨折患者的SSI风险.
研究的目的:
- 使用先进的ML技术开发和验证SSI风险的预测分类模型.
- 为了比较各种ML算法在预测脚骨折手术后SSI的性能.
- 识别与SSI发展相关的重大手术前风险因素.
主要方法:
- 从接受开放式缩小和内固定脚骨折的患者收集的临床数据.
- 评估了八个ML算法:物流回归,支持向量机,梯度增强机 (GBM),神经网络,极端梯度增强,K-最近邻居,AdaBoost和CatBoost.
- 使用AUC,精度,灵敏度,特异性,精度,F1得分和Youden指数等指标评估模型性能.
主要成果:
- 梯度增强机 (GBM) 模型表现出卓越的性能,AUC为0.919,精度为0.82.
- 关键的SSI预测因素包括手术前的白蛋白水平,创伤类型,糖尿病史,高血压史和手术持续时间.
- 在预测SSI发病率方面,GBM模型的表现优于其他评估的ML算法.
结论:
- 机器学习模型,特别是GBM,在脚骨折手术中提供SSI风险的高预测准确度.
- 将手术前风险因素与ML整合起来,可以为SSI提供更精确,更个性化的预防和管理策略.
- 该研究支持基于ML的风险评估的临床应用,以改善患者的治疗结果.
