检索历史 清除

摘要本文主要从以下几方面进行论述：<br>　　第一部分：机器学习模型分析经椎间孔腰椎椎体间融合术高住院费用患者的风险因素<br>　　目的：<br>　　应用无监督机器学习（ML）模型，依据住院费用和住院时间对经椎间孔腰椎椎体间融合术（TLIF）患者行聚类，分析高费用亚组的主要风险因素。<br>　　方法：<br>　　纳入东南大学附属中大医院脊柱外科中心2018年1月-2020年12月因腰椎退变性疾病行TLIF手术的患者。按总样本的住院费用与住院时间建立多个KMeans聚类模型。使用轮廓系数和数据分布图评价模型。对亚组间特征进行单因素分析：人口统计资料、腰椎疾病特征、手术特征、术前检验特征、术后处置、住院统计和不良事件（AEs）。单因素分析中的显著特征纳入多因素分析。<br>　　结果：<br>　　KMeans模型将样本分为3簇，样本间相似性最好。将第3簇视为异常值，剔除异常值后，共1276名患者进入分析。第2簇住院费用显著高于第1簇，分别为53739.53±10384.57（元）和34079.31±5226.61（元）。多因素分析中与高住院费用组显著相关的特征包括：吸烟、AEs、Barden评分、腰椎疾病数量、住院时间、手术季度、手术时间、异体血输血量、颈静脉置管时间、引流管置管时间和术后抗生素使用时间。<br>　　结论：<br>　　无监督聚类算法将患者分为高住院费用组和低住院费用组。多因素分析中与高住院费用组相关的最重要因素可能术后AEs。术前识别潜在的AEs患者，提前调整个体化治疗方案，可能有助于改善患者预后，节省医疗资源。<br>　　第二部分：机器学习模型预测经椎间孔腰椎椎体间融合术后不良事件<br>　　目的：<br>　　ML模型预测TLIF术后AEs的患者，比较不同特征选择方法建立模型的预测效能。<br>　　方法：<br>　　使用术前特征和手术特征构建ML预测模型，包括：人口统计资料，腰椎疾病特征，手术特征，术前检验特征。使用以下特征选择方法：1.单因素分析有显著差异的特征（P ＜ 0.05）；2.人口统计资料和腰椎疾病特征；3.手术特征；4.术前检验特征。构建7种ML模型：极限梯度提升算法分类器（XGBoost）, k-近邻算法（KNN）,决策树(Decision Tree),随机森林(Random Forest),支持向量机(SVC)，逻辑回归模型（Logistic Regression）和人工神经网络(ANN)。模型评价指标：受试者工作特性曲线（ROC曲线), 曲线下面积评分(AUC)，准确率（ACC），召回率（Recall），F1 评分，精确度（Precision）。<br>　　结果：<br>　　本研究中，共1278名患者进入分析，AEs发生率为25.27%。不同特征选择后建立模型的预测能力不同。单因素分析中显著特征构建的XGBoost、KNN、Random Forest、SVC模型获得良好的AUC、F1评分和ACC，优于使用人口统计资料与腰椎疾病、手术特征、检验特征的模型。<br>　　结论：<br>　　利用术前与手术特征，ML 模型可以预测TLIF术后AEs,可能有助于手术选择、优化患者管理及节约医疗资源。单因素分析有显著差异特征构建的模型获得优越的预测性能。<br>　　第三部分：可解释机器学习模型预测经椎间孔腰椎椎体间融合术后严重并发症<br>　　目的：<br>　　构建ML模型预测TLIF术后严重并发症，使用可解释模型进行全局解释和局部解释。<br>　　方法：<br>　　单因素分析有显著差异的特征输入ML模型（P ＜ 0.05）。构建可解释XGBoost模型进行全局解释和局部解释。模型评价指标：ROC曲线, AUC，ACC， Recall，F1 评分，Precision。<br>　　结果：<br>　　在1278名患者中，42名发生术后严重并发症（3.29%）。基于XGBoost模型对风险特征进行全局解释，重要特征包括：手术时间，血糖，Charlson合并症指数，中性粒细胞计数，白蛋白，年龄，椎弓根螺钉数量，单核细胞与淋巴细胞比值，淋巴细胞比率，中性粒细胞比率。通过SHAP(Shapley additive explanations)对单一样本进行局部解释，可以具体分析患者特征与预测结果之间的关系。<br>　　结论：<br>　　ML模型可以预测TLIF术后严重并发症。可解释模型使得ML更具有说服力和可靠性，有利于医疗决策者和患者理解与接受。基于XGBoost模型，全局解释可以阐明特征重要性。局部解释可以具体分析个体特征与预测结果的关系。