在全膝关节整形术后,基于机器学习预测并发症和残留疼痛

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
• 预测分析是一种预测分析.

背景情况:

• 准确的风险调整对于预测结果和改善全膝关节整形术 (TKA) 的质量至关重要.
• 当前的机器学习 (ML) 模型往往缺乏全面的风险因素,主要依赖于人口统计和并发症.
• 美国关节和膝关节外科医生协会 (AAHKS) 提出了九个风险因素来增强TKA风险预测模型.

研究的目的:

• 评估AAHKS建议的风险因素在TKA结果预测的ML模型中的有效性.
• 通过使用这些因素来评估 eXtreme Gradient Boosting (XGBoost) 模型的预测性能.
• 确定TKA后并发症和残留疼痛的关键风险因素.

主要方法:

• 783名初级TKA患者的回顾性分析 (2020年1月 - 2022年12月).
• 使用手术前临床数据和AAHKS风险因素对XGBoost模型进行培训和评估.
• 主要结局:主要并发症,任何并发症和一年后的残留疼痛;通过AUC,灵敏度,特异性和精度评估的性能.

主要成果:

• 在XGBoost模型中,主要并发症 (AUC=0.68) 和任何并发症 (AUC=0.65) 的预测准确度均为中等.
• 预测残留疼痛不太成功,AUC为0.53.
• 在AAHKS因素中,只有吸烟和膝盖的先前开放缩减和内部固定 (ORIF) 才显示出显著的预测价值;角形变形的影响有限.

结论:

• 具有AAHKS因子的XGBoost模型适度预测TKA手术后并发症,但没有残留疼痛.
• 该研究强调需要整合关联特定变量和成像数据,以改善风险调整.
• 加强风险分层对于膝关节关节整形手术中个性化患者护理至关重要.