开发和验证可解释的机器学习模型,用于预测手指移植后亡的风险:一项追溯多中心研究

科学领域:

• 整形外科手术 整形外科手术
• 机器学习 机器学习
• 预测分析是一种预测分析.

背景情况:

• 数字亡 (DN) 是手指移植后的严重并发症,影响患者的功能和福祉.
• 早期识别DN风险对于有效的患者管理和改善手术结果至关重要.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测手指移植手术后数字亡 (DN) 的风险.

主要方法:

• 利用来自1579名培训/内部验证患者和293名外部验证患者的数据.
• 使用渐变增强机 (GBM) 并使用AUC和DCA评估性能.
• 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性.

主要成果:

• 确定了DN的9个独立预测因素,包括医生资历和中性粒细胞数量.
• GBM模型显示出高的预测准确性 (AUC: 0.995培训,0.978内部验证,0.983外部验证).
• 模型的可靠性和实用性通过DCA,校准曲线和准确性分析得到证实.

结论:

• 开发并验证了一种可解释的ML模型,使用全血细胞计和炎症标志物来预测移植后DN风险.
• 该模型有助于临床医生及时识别高风险患者,以便及时干预.
• 这种预测工具可以显著提高手指移植后的患者结果.