通过使用全面的预测建模技术,识别部脊柱手术后的高医疗保健使用者

科学领域:

• 脊柱外科手术 脊柱外科手术
• 医疗保健服务研究 医疗服务研究
• 医疗保健中的机器学习

背景情况:

• 慢性脊柱疾病和手术的医疗保健支出不断增加,需要预测模型.
• 识别患有术后医疗利用高风险的患者对于资源配置和护理优化至关重要.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测椎脊柱融合患者的术后医疗利用率.
• 利用全面的手术前患者数据,包括医疗,外科和社会史,进行细分的预测.

主要方法:

• 对4480例前后宫压缩和融合手术队列的分析 (2002-2022年).
• 系统地提取患者和手术特征.
• 应用和优化各种ML算法,以预测高医疗保健用户在手术后90天内.
• SHAP的计算对于表现最好的模型具有重要意义.

主要成果:

• 12%的患者被确定为高医疗保健使用者.
• 所有的ML模型都超过了美国麻醉学会的基准.
• 均衡随机森林模型实现了最高的歧视性性能 (AUC: 0.772 ± 0.007).
• 最重要的预测特征包括手术室持续时间的增加,以及90天的手术前神经调节器和阿片类药物的使用.

结论:

• 成功开发出预测性ML模型,预测椎手术后90天内高医疗利用率.
• 这些经过验证的模型显示了在临床工作流程中帮助脊柱外科医生的潜力.
• 准确的预测有助于优化患者护理和有效管理医疗保健资源.