基于梯度提升决策树模型预测髋膝关节置换术后早期功能恢复及住院时间延长的回顾性队列研究

《Applied Sciences》:Explainable Gradient Boosting Machine Learning for Predicting Early Functional Recovery and Hospital Discharge After Hip and Knee Arthroplasty

【字体: 大 中 小 】 时间:2026年09月23日 来源:Applied Sciences 2.5

编辑推荐:

   本文旨在开发并全面评估基于梯度提升决策树的机器学习模型,利用常规可用的临床数据预测早期爬楼梯功能恢复及住院时间延长(术后住院时间超过5天)。对接受初次髋关节或膝关节置换术的630例患者进行了回顾性队列研究。候选预测变量根据文献及多学科临床经验预先设定。采用分层训练集、验证集和

  本文旨在开发并全面评估基于梯度提升决策树的机器学习模型,利用常规可用的临床数据预测早期爬楼梯功能恢复及住院时间延长(术后住院时间超过5天)。对接受初次髋关节或膝关节置换术的630例患者进行了回顾性队列研究。候选预测变量根据文献及多学科临床经验预先设定。采用分层训练集、验证集和测试集开发CatBoost模型,并进行贝叶斯超参数优化。模型性能通过区分度、校准度、基于SHAP(Shapley加性解释)的可解释性以及基于决策曲线分析的临床效用进行评估。术后四天内实现早期爬楼梯功能恢复的患者比例为40.0%,而术后五天内出院的患者比例为32.5%。在独立测试集上,预测早期功能恢复的模型AUC为0.759(95%置信区间:0.670–0.815),预测住院时间延长的模型AUC为0.761(95%置信区间:0.666–0.830)。年龄始终是两个结局变量中影响力最大的预测因素,其次是相关临床及围手术期因素,包括ASA评分、手术类型、术前血红蛋白、术后疼痛及直立性不耐受。校准度评估显示预测概率与观察概率之间具有中等一致性,凸显了未来模型优化的方向,而决策曲线分析表明在临床相关的概率阈值范围内均呈现正的净临床获益。研究结果表明,基于常规采集临床变量的梯度提升模型可以提供可解释且具有临床实用价值的预测,从而支持下肢关节置换术后个体化的康复计划制定和出院管理。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号