在接受全关节置换的73,000名糖尿病患者中识别风险组:机器学习集群分析

科学领域:

• 整形外科手术 整形外科手术
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 糖尿病 (DM) 是常见的,并影响关节整形术 (THA) 的结果.
• 在糖尿病THA患者中确定特定的并发症概况对于改善护理至关重要.

研究的目的:

• 应用机器学习聚类来定义糖尿病THA患者的并发症概况.
• 评估确定集群与术后结果 (如出院准备和停留时间) 之间的关联.

主要方法:

• 利用了2015-2021年国家住院患者样本数据库.
• 包括73,606名接受THA治疗的糖尿病患者,分析了49种并发症和共变量.
• 采用集群算法,用于非例行出院 (NRD) 的后勤回归,以及用于停留时间 (LOS) 的Kruskal-Wallis H测试.

主要成果:

• 根据并发症概况,确定了六个不同的患者群.
• 一个以尿路感染和败血症为特征的群体显示了显著更高的NRD风险 (OR 7.83) 和最长的中位数LOS (9.0天).
• 其他群体表现出不同的恢复模式,一些群体实现了更短的 LOS (2.0 天).

结论:

• 机器学习有效地将糖尿病THA患者分为六个独特的组.
• 感染占主导地位的群体代表了对不良结果的高风险人群.
• 这种聚类方法为糖尿病THA患者的风险分层和个性化术后管理提供了一种新方法.