用于识别非联合骨折手术后愈合失败的预测模型开发
机器学习
2025-01-03 v3
摘要
骨折的非联合愈合是创伤手术最严重的并发症之一，发生率为 10-30%。治疗非联合愈合需要高度的外科技术常涉及多次修复手术，甚至可能导致截肢。因此，更准确的预后诊断对于患者健康至关重要。近期机器学习（ML）的进展为开发预测模型以识别非联合愈合风险提供了可能，即使在数据集较小的情况下也可实现，这在临床领域常遇见。为演示 ML 在识别非联合愈合失败风险人群方面的有效性，我们将三种 ML 模型（逻辑回归、支持向量机和 XGBoost）应用于临床数据集 TRUFFLE，其中包含 797 例长骨折非联合愈合患者。这些模型提供了 70% 的灵敏度，分别为 XGBoost（66% 的特异度）、支持向量机（49% 的特异度）和逻辑回归（43% 的特异度）。这些发现提供了宝贵的临床见解，因为它们使我们能够在初始手术修复治疗方案之后及早识别出风险非联合愈合失败的患者。
引用
@article{arxiv.2404.11760,
title = {Predictive Model Development to Identify Failed Healing in Patients after Non-Union Fracture Surgery},
author = {Cedric Donié and Marie K. Reumann and Tony Hartung and Benedikt J. Braun and Tina Histing and Satoshi Endo and Sandra Hirche},
journal= {arXiv preprint arXiv:2404.11760},
year = {2025}
}