使用机器学习预测多关节膝关节损伤后恢复运动:开发和内部验证临床算法
Carlos Suarez-Ahedo1, Francisco Endara-Urresta2, Carlos Peñaherrera-Carrillo3
1Adult Hip and Knee Reconstruction Department. National Rehabilitation Institute of Mexico. Mexico City, Mexico.
The Knee
|November 28, 2025
概括
机器学习可以准确地预测多关节膝关节损伤 (MLKIs) 后的运动回归 (RTS). 关键因素包括受伤前的活动,年龄和及时的手术,有助于个性化康复.
科学领域:
- 整形外科手术 整形外科手术
- 运动医学运动医学
- 机器学习在医疗保健中的应用
背景情况:
- 多关节膝盖损伤 (MLKIs) 需要复杂的手术重建.
- 预测恢复运动 (RTS) 对患者的治疗结果和康复计划至关重要.
- 现有的预测方法可能缺乏准确性和全面的数据整合.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以预测MLKI手术后12个月的RTS.
- 确定影响MLKI后RTS的关键临床预测因素.
- 比较RTS预测的不同ML算法的性能.
主要方法:
- 对接受MLKI重建的220名患者 (2012-2022) 的回顾性分析.
- 利用人口,临床,手术和功能数据进行预测.
- 对比后勤回归,SVM,随机森林和XGBoost模型,通过10倍交叉验证进行验证.
- 使用SHAP分析来解释特征重要性.
主要成果:
- 60.9%的患者在12个月内实现了RTS.
- 与逻辑回归 (AUC=0.72) 相比,XGBoost模型的预测性能优越 (AUC=0.84).
- 对于RTS的显著预测因素包括较高的伤害前特格纳得分,较年轻的年龄,较短的手术时间 (<6周),以及较高的基线IKDC得分.
结论:
- 机器学习模型使用随时可用的临床数据提供了MLKI后准确的RTS预测.
- 这些预测工具可以个性化患者的期望,并指导术后康复策略.
- 开发的模型支持对MLKI恢复的知情临床决策.
