使用机器学习模型预测脊髓转移性疾病中术后出院状态和再录取情况
Renuka Chintapalli1, Philip Heesen2, Atman Desai1
1Department of Neurosurgery, Stanford University, Palo Alto, California, United States.
Journal of neurological surgery. Part A, Central European neurosurgery
|December 31, 2025
概括
脊柱手术预测模型现在可以估计脊柱转移性疾病患者非家庭出院和90天再入院的风险,有助于临床决策.
科学领域:
- 神经外科和骨科瘤学
- 医疗保健服务研究 医疗服务研究
- 机器学习在医学中的应用
背景情况:
- 脊柱转移性疾病的手术主要是为了缓解,而不是治愈,结果取决于术后恢复.
- 现有的生存预测模型缺乏对短期恢复结果的多种预测因子的整合.
- 准确预测非家庭出院 (NHD) 和90天再入院对于管理因脊髓转移而接受手术的患者至关重要.
研究的目的:
- 开发和验证综合预测模型,用于外围脊柱转移性疾病外科手术后的短期术后结果.
- 确定影响非家庭出院 (NHD) 和非计划的90天再接收的关键预测因素.
- 评估机器学习算法在预测这些结果方面的性能.
主要方法:
- 使用MerativeTM MarketScan®数据对接受外围脊柱转移性疾病手术的成年患者 (2006-2023) 进行回顾性分析.
- 主要结局:非家庭出院 (NHD) 和无计划的90天再入院;次要结局:住院时间长度 (LOS).
- 训练和验证了五种机器学习模型 (极端梯度提升,支持向量机,神经网络,随机森林,惩罚后勤回归).
主要成果:
- 胸脊局部化增加了NHD几率;切割后关节切除和手术内神经监测降低了NHD几率.
- 前后结合方法和关节切除与90天再入院率较低有关.
- 随机森林模型显示了NHD (AUC=0.68) 和90天再入院 (AUC=0.67) 的最佳预测性能.
结论:
- 在脊髓转移手术后,成功开发和验证了NHD和90天再入院的节预测模型.
- 这些模型,特别是随机森林算法,提供了宝贵的预测见解.
- 将其整合到临床工作流程中可以提高患者管理和预后的决策.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.3K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
470
