机器学习模型用于预测下三手术后的术后并发症:开发,验证和可解释的AI洞察力
1Department of Oral and Maxillofacial Surgery, Geetanjali Dental and Research Institute, Geetanjali University, Eklingpura, 313001, Udaipur, Rajasthan, India; Department of Dental Research Cell, Dr. D. Y. Patil Dental College and Hospital, Dr. D. Y. Patil Vidyapeeth, Pimpri, 411018, Pune, Maharashtra, India; Department of Oral and Maxillofacial Surgery, Narsinhbhai Patel Dental College and Hospital, Sankalchand Patel University, Visnagar, 384315, Gujarat, India.
概括
机器学习模型可以预测受冲击的下三手术的并发症. 诸如手术持续时间和操作人员经验等因素显著影响结果,改善风险评估.
科学领域:
- 口腔和牙面部外科手术
- 人工智能在医学中的应用
- 预测分析是一种预测分析.
背景情况:
- 手术切除受影响的下第三是常见的,但与显著的术后发病率有关.
- 目前用于评估外科手术困难的方法主要使用放射和位置因素,忽略了手术内和操作者的影响.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测下三取出后的手术后并发症.
- 使用可解释的人工智能识别并发症的关键预测因素.
主要方法:
- 一个回顾性队列研究,对472个下第三骨提取.
- 包括人口,放射和手术内变量.
- 五个ML算法的比较,包括随机森林,XGBoost和后勤回归,使用AUC进行性能评估.
主要成果:
- 随机森林 (AUC 0.91) 和XGBoost (AUC 0.89) 显示出优于后勤回归 (AUC 0.74) 的预测性能.
- 可解释性AI (SHAP) 确定了手术持续时间,冲击类型,根形态,操作员经验和骨作为重要的预测因素.
- 这些模型有效地预测了疼痛,胀,三,感染和麻醉等结果.
结论:
- 与传统方法相比,机器学习,特别是可解释的AI,为第三手术提供了增强的,个性化的风险分层.
- 这些ML模型可以支持临床决策,患者咨询和外科培训.
- 进一步的前性,多中心验证是有必要的,以确认可通用性.
