Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nhận diện các yếu tố bệnh nhân mới thông qua học máy để dự đoán biến chứng chính sau phẫu thuật nối cổ cột sống phía sau
Tóm tắt
Phẫu thuật nối cổ cột sống phía sau liên quan đến tỷ lệ biến chứng và tái nhập viện cao hơn so với phẫu thuật nối phía trước. Các mô hình học máy (ML) cho phân loại nguy cơ của bệnh nhân trải qua phẫu thuật nối cổ cột sống phía sau vẫn còn hạn chế. Chúng tôi nhằm phát triển một thuật toán ML kết hợp mới để dự đoán các biến chứng lớn trong quá trình phẫu thuật và tái nhập viện sau phẫu thuật nối cổ cột sống phía sau, đồng thời xác định các yếu tố quan trọng đối với hiệu suất mô hình. Đây là một nghiên cứu hồi cứu trên nhóm bệnh nhân trưởng thành đã trải qua phẫu thuật nối cổ cột sống phía sau tại các bệnh viện không thuộc liên bang ở California trong khoảng thời gian từ 2015 đến 2017. Kết quả chính là tái nhập viện hoặc biến chứng lớn. Chúng tôi đã phát triển một mô hình kết hợp dự đoán nguy cơ biến chứng bằng cách sử dụng khuôn khổ ML tự động. Chúng tôi so sánh hiệu suất với các mô hình ML chuẩn và hồi quy logistic (LR), xếp hạng mức độ đóng góp của các biến đã được đưa vào mô hình đối với hiệu suất. Trong số 6822 bệnh nhân đã được đưa vào, 18.8% gặp phải một biến chứng lớn hoặc tái nhập viện. Mô hình kết hợp cho thấy hiệu suất dự đoán nhỉnh hơn một chút so với LR và các mô hình ML chuẩn. Các đặc điểm quan trọng nhất đối với hiệu suất bao gồm giới tính, ung thư, viêm phổi, đột quỵ và tình trạng bệnh viện giảng dạy. Bảy trong số mười đặc điểm quan trọng nhất cho mô hình kết hợp thì lại ít quan trọng hơn nhiều so với LR. Chúng tôi báo cáo một mô hình ML kết hợp để dự đoán các biến chứng lớn và tái nhập viện sau phẫu thuật nối cổ cột sống phía sau với ưu thế dự đoán rủi ro vừa phải so với LR và các mô hình ML chuẩn. Đáng chú ý, các đặc điểm quan trọng nhất đối với mô hình kết hợp hoàn toàn khác biệt so với những đặc điểm của LR, cho thấy rằng các phương pháp ML tiên tiến có thể xác định các yếu tố tiên đoán mới cho các kết quả không mong muốn sau phẫu thuật nối cổ cột sống phía sau.
Từ khóa
#học máy #biến chứng #phẫu thuật nối cổ cột sống #hồi quy logistic #bệnh viện giảng dạy #phân loại nguy cơ #dự đoán rủi roTài liệu tham khảo
Veeravagu A, Connolly I, Lamsam L et al (2016) Surgical outcomes of cervical spondylotic myelopathy: an analysis of a national, administrative, longitudinal database. Neurosurg Focus 40(6):E11
Fehlings M, Wilson J, Kopjar B et al (2013) Efficacy and safety of surgical decompression in patients with cervical spondylotic myelopathy: results of the AOSpine North America prospective multi-center study. J Bone Jt Surg Am 95(18):1651–1658
Goz V, Weinreb J, McCarthy I, Schwab F, Lafage V, Errico T (2013) Perioperative complications and mortality after spinal fusions: analysis of trends and risk factors. Spine 38(22):1970–1976
Memtsoudis S, Hughes A, Ma Y, Chiu Y, Sama A, Girardi F (2011) Increased in-hospital complications after primary posterior versus primary anterior cervical fusion. Clin Orthop Relat Res 469:649–657
Shamji M, Cook C, Pietrobon R, Tackett S, Brown C, Isaacs R (2009) Impact of surgical approach on complications and resource utilization of cervical spine fusion: a nationwide perspective to the surgical treatment of diffuse cervical spondylosis. Spine J 9(1):31–38
Alaa A, van der Schaar M [2018] AutoPrognosis: automated clinical prognostic modeling via Bayesian optimization with structured kernel learning. Proc 35th Int Conf Mach Learn PMLR, 80:139–148.
Alaa AM, Bolton T, Di AE, Rudd JHF, van der Schaar M (2019) Cardiovascular disease risk prediction using automated machine learning: a prospective study of 423,604 UK biobank participants. PLoS One 14(5):1–17
Alaa AM, van der Schaar M (2018) Prognostication and risk factors for cystic fibrosis via automated machine learning. Sci Rep 8(1):1–19. https://doi.org/10.1038/s41598-018-29523-2
Shah AA, Devana SK, Lee C, Kianian R, van der Schaar M, SooHoo NF (2021) Development of a novel, potentially universal machine learning algorithm for prediction of complications after total hip arthroplasty. J Arthroplast 36(5):1655–1662
Yale New Haven Health Services Corporation/Center for Outcomes Research & Evaluation. 2017 Procedure-specific measure updates and specifications report hospital-level risk-standardized complication measure: elective primary total hip arthroplasty (THA) and/or total knee arthroplasty (TKA) - version 6.0. 2017.
Breiman L (2001) Random forests. Mach Learn 45:5–32
Ratsch G, Onoda T, Muller K (2001) Soft margins for AdaBoost. Mach Learn 42:287–320
Friedman JH (2001) Greedy function approximation: a gradient boosting machine. Ann Stat 29(5):1189–1232. https://doi.org/10.1214/aos/1013203451
Chen T, Guestrin C [2016] XGBoost: a scalable tree boosting system. KDD ’16 Proc 22nd ACM SIGKDD Int Conf Knowl Discov Data Min 785–794.
Pedregosa F, Varoquaux G, Gramfort A et al (2011) Scikit-learn: machine learning in Python. J Mach Learn Res 12(85):2825–2830
Manning DW, Edelstein AI, Alvi HM (2016) Risk prediction tools for hip and knee arthroplasty. J Am Acad Orthop Surg 24(1):19–27. https://doi.org/10.5435/JAAOS-D-15-00072
Choy W, Lam S, Smith Z, Dahdaleh N (2018) Predictors of 30-day hospital readmission after posterior cervical fusion in 3401 patients. Spine 43(5):356–363
DePasse J, Durand W, Eltorai A, Palumbo M, Daniels A (2018) Timing of complications following posterior cervical fusion. J Orthop 15(2):522–526
Vonck C, Tanenbaum J, Bomberger T et al (2018) Short-term outcomes following posterior cervical fusion among octogenarians with cervical spondylotic myelopathy: a NSQIP database analysis. Spine J 18(9):1603–1611
Katz A, Mancini N, Karukonda T, Cote M, Moss I (2019) Comparative and predictor analysis of 30-day readmission, reoperation, and morbidity in patients undergoing multilevel ACDF versus single and multilevel ACCF using the ACS-NSQIP dataset. Spine 44(23):E1379–E1387
Wu C, Chen Y, Wang M, Pinelis E (2017) National trends in admission for aspiration pneumonia in the United States, 2002–2012. Ann Am Thorac Soc 14(6):874–879
Radcliff K, Ong K, Lovald S, Lau E, Kurd M (2017) Cervical spine surgery complications and risks in the elderly. Spine 42(6):E347–E354
Al-Taki M, Sukkarieh H, Hoballah J et al (2018) Effect of gender on postoperative morbidity and mortality outcomes: a retrospective cohort study. Am Surg 84(3):377–386
Lee N, Kothari P, Kim C et al (2018) The impact of resident involvement in elective posterior cervical fusion. Spine 43(5):316–323
Gianfrancesco M, Tamang S, Yazdany J, Schmajuk G (2018) Potential biases in machine learning algorithms using electronic health record data. JAMA Intern Med 178(11):1544–1547