可解释的基于机器学习的预测,早期和中期的手术后并发症在青少年骨骨折

科学领域:

• 整形外科手术 整形外科手术
• 机器学习在医学中的应用
• 生物标志物和诊断方法

背景情况:

• 青少年骨折经常导致术后并发症.
• 传统的凝血标志物 (前列血时间/激活的部分血栓塑时间/纤维素素) 缺乏全面的风险评估能力.
• 在儿科整形外科手术中需要先进的不良事件预测模型.

研究的目的:

• 开发和验证一种可解释的机器学习模型,用于预测青少年骨骨折手术后的90天复合不良事件.
• 确定导致术后并发症的关键临床和实验室特征.
• 评估开发模型在风险分层中的临床实用性.

主要方法:

• 分析了624名青少年患者 (13-18岁) 的回顾性队列,这些患者接受了骨骨折手术.
• 使用自动机器学习 (AutoML) 与改进的和搜索优化 (IHSO),结合了诸如年龄,骨折分类,手术持续时间,血液损失和术后实验室值 (凝血三元组,D-二次数,C-反应蛋白) 等特征.
• 为了模型的可解释性,使用了SHapley添加式扩展 (SHAP),并使用ROC-AUC和决策曲线来评估性能.

主要成果:

• 由IHSO优化的AutoML模型表现出高预测性能 (测试组ROC-AUC:0.9247),显著优于传统方法.
• 确定的主要预测因素是年龄,手术持续时间,纤维素,骨折分类,激活的部分血栓形成时间,C反应蛋白,体重指数和D-二次体.
• SHAP分析强调,年龄的增加减轻了手术持续时间的影响,纤维素和C反应蛋白的升高表明凝血-炎症级联,AO-C类型骨折带有最高风险.

结论:

• 开发的可解释的AutoML模型有效地预测了青少年骨折的不良事件,强调了年龄,手术持续时间和凝血-炎症标志物的重要性.
• 该模型为个性化风险评估和干预计划提供了经过验证的框架.
• 建议进行前性验证和多中心合作,以进一步优化临床适用性并整合动态监测指标.