一个可解释的机器学习模型预测脊椎增强后30天的再入院.

科学领域:

• 整形外科和创伤学
• 医疗信息学 医疗信息学
• 老年医学 老年医学

背景情况:

• 骨质疏松性脊椎压缩骨折 (OVCF) 在老年患者中很常见.
• 脊椎增强手术 (VAPs) 经常用于治疗OVCF.
• 接受VAP治疗的患者有30天重入医院的重大风险.

研究的目的:

• 开发和验证可解释的机器学习模型,以预测VAP后OVCF患者的30天再入院风险.
• 确定有助于再接收的关键临床预测因素.
• 创建一个实时风险分层和个性化干预的工具.

主要方法:

• 利用了2019年至2024年期间接受VAP的3947名OVCF患者的电子健康记录 (EHR).
• 通过10倍的交叉验证评估了8个机器学习算法,XGBoost表现出卓越的性能.
• 采用了夏普利添加式解释 (SHAP) 来实现模型的解释性和重要预测因子的识别.

主要成果:

• 该XGBoost模型实现了高性能指标 (AUC,灵敏度,特异性,F1得分).
• 确定的主要预测因素包括脆弱性,跌倒史,长时间住院,特定的并发病 (肺/病),晚年和低albuminemia.
• 为实时风险评估开发了一个功能性临床网络应用程序.

结论:

• 一个可解释的机器学习模型有效地预测了VAP后OVCF患者的再入院风险.
• 通过脆弱性和并发症等因素识别高风险患者,可以制定有针对性的预防策略.
• 开发的工具可以帮助临床医生积极主动地管理患者,潜在地降低再入院和医疗保健成本.