预测术后停留时间:在腰部融合手术中的预测建模的特征选择方法
Aman Singh1, Rohin Singh2, Jag Lally3
1Department of Neurosurgery, University of Rochester, Rochester, NY, USA - aman_singh@urmc.rochester.edu.
Journal of neurosurgical sciences
|December 18, 2025
概括
机器学习确定了预测腰部融合手术中长期术后停留时间的关键因素. 特性选择,而不是模型选择,对于准确的预测来说是最关键的.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 医疗信息学 医疗信息学
- 机器学习应用 机器学习应用
背景情况:
- 预测建模可以优化腰部融合手术的手术前规划和资源配置.
- 准确预测长期术后停留时间 (pLOS) 对患者管理和医疗保健效率至关重要.
研究的目的:
- 通过机器学习,确定用于预测腰部融合手术中的pLOS最重要的20个变量.
- 评估各种机器学习模型在预测pLOS方面的表现.
主要方法:
- 使用ACS-NSQIP数据库进行腰部融合手术 (2012-2022年).
- 采用MUVR和Boruta进行变量选择,然后进行层次聚类和交叉验证.
- 训练了多个机器学习模型,包括随机森林,XGBoost,神经网络和114,892名患者记录上的后勤回归.
主要成果:
- 确定了11个患者特异性变量 (例如透析,心血管疾病,出血障碍) 和9个程序变量 (例如骨切除术,额外的融合代码,手术时间) 作为PLOS的关键预测因素.
- 神经网络实现了最高的精度 (71.2%),回忆 (79.4%) 和F1得分 (73.8%),模型之间的性能变化最小.
- 确定特征选择是影响预测性能的最关键因素.
结论:
- 该研究成功地确定了影响腰部融合中的pLOS的关键患者和程序因素.
- 有效的特征选择对于开发强大的预测模型至关重要,比使用的特定机器学习算法更重要.
- 这些发现可以为腰部融合手术的手术前规划和资源配置提供信息.
