鉴定关节镜术后有短期不良事件风险的患者:对国家数据库的机器学习分析

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 关节镜检查是一种常见的骨科手术.
• 识别患有不良结果风险的患者对于手术规划和患者护理至关重要.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测关节镜术后的短期不良结果.
• 确定与这些不良结果相关的关键人口和临床因素.

主要方法:

• 利用了美国外科医生学院国家外科质量改进计划 (ACS-NSQIP) 数据库的数据.
• 开发并比较了各种ML模型,包括支持向量机,随机森林,后勤回归,梯度增强和极端梯度增强.
• 确定了不良事件的预测特征.

主要成果:

• 在1478名患者中,有14.5%的患者经历了短期不良事件 (过夜入院,早期并发症或再入院).
• 预测因素包括糖尿病,高血压,慢性肺炎,出血障碍,伤口类,ASA类,手术前血红素和手术时间.
• 后勤回归产生了最佳模型 (AUC=0.763),最强的预测因素是手术时间,手术前血红素,ASA类,CPT代码和年龄.

结论:

• 机器学习模型在预测关节镜术后手术结果方面表现有前途.
• 这些模型可以帮助临床决策和管理患者对术后康复的期望.