相关实验视频
一个可以解释SHAP的机器学习框架,用于预测在门诊全膝关节整形术中延迟放电:对14个模型的比较验证
Jiabin Feng1,2, Fei Yuan1, Pan Luo1
1Department of Orthopaedic Surgery, Guizhou Provincial People's Hospital, Guiyang, Guizhou, China.
Frontiers in medicine
|November 21, 2025
概括
机器学习有效地预测了使用关键手术前因素的全膝关节整形术 (TKA) 后延迟放电. 这种方法有助于为门诊TKA患者进行个性化出院规划,优化护理和资源使用.
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
- 预测分析是一种预测分析.
背景情况:
- 对全膝关节整形术 (TKA) 的需求不断增加,推动人们转向门诊手术.
- 排放协议的变化和高延迟排放率阻碍了门诊TKA的实施.
- 需要预测工具来识别有延迟出院风险的患者在门诊TKA.
研究的目的:
- 开发一个可解释的机器学习框架.
- 确定在门诊TKA中延迟出院的关键手术前风险因素.
- 提高预防性风险分层,以优化患者管理.
主要方法:
- 449名门诊TKA患者的回顾性分析 (2021年9月 - 2024年6月).
- 开发并验证了使用LASSO和多变量回归来选择特征的14个机器学习模型.
- 应用了SHAP分析来解释最佳CATBoost模型的可解释性.
主要成果:
- 确定了五个关键预测因素:射出分数,eGFR,ESR,糖尿病和巴特尔指数.
- 在CATBoost模型中,AUC达到0.959 (培训) 和0.832 (验证).
- SHAP分析强调喷射分数和ESR是最有影响力的,详细介绍了风险相互作用.
结论:
- 机器学习,特别是CATBoost,准确地预测了在门诊TKA中延迟释放的情况.
- 确定了手术前的变量,可以改善风险分层和个性化出院规划.
- 这些发现支持用于 ambulatory TKA 的临床部署的预测分析,需要进一步验证.