基于机器学习算法预测全膝关节置换后住院时长

来源：中国骨与关节损伤杂志 【在线投稿】栏目：期刊导读时间：2021-05-02

背景:全膝关节置换后住院时长与患者的预后密切相关,但影响住院时长的相关因素并没有深入的研究。目的:通过临床数据建立全膝关节置换后住院时长的预测模型,使用7种机器学习算法构建模型,评估不同算法的效能,获取与住院时长最相关的影响因素。方法:通过医院病历系统,收集广州市番禺区中医院2012年1月至2019年12月符合纳入标准的行全膝关节置换的患者共777例,详细录入患者临床资料及既往病史资料。使用逻辑回归、多元自适应回归、K近邻、支持向量机、随机森林、极限梯度提算法和人工神经网络等7种机器学习构建算法模型,采用10倍交叉验证法对模型效能进行验证。计算并比较7个模型的受试者工作特征曲线下的面积、正确率、灵敏度、特异度、精度和平衡F分数。并评估人工神经网络模型预测变量的重要性,神经网络构架和绘制性状相关热图。结果与结论:(1)共纳入777个样本,其中包括618例住院时长≤6 d的患者和159例住院时长>6 d的患者;(2)两组年龄、术前血红蛋白、手术方式、糖尿病病史、缺血性心脏病病史、脑血管疾病史、输血情况比较差异有显著性意义(P <0.05);(3)逻辑回归、多元自适应回归、K最近邻、支持向量机、随机森林、极限梯度提算法和人工神经网络受试者工作特征曲线下的面积依次为:0.770,0.778,0.609,0.570,0.594,0.586和0.903,其中人工神经网络的预测效能最佳,同时通过正确率、灵敏度、特异度、精度和平衡F分数的比较判断认为人工神经网络相较于其他模型能够更准确的预测结局指标,其次是逻辑回归、多元自适应回归算法;(4)在人工神经网络模型中,手术时长和年龄在预测变量中重要性最高,领先于其他预测变量,而心力衰竭病史、心血管疾病、缺血性心脏病、手术方式、血红蛋白、输血情况、胰岛素使用情况、糖尿病病史和阻塞性睡眠呼吸暂停等因素重要性较前两者低,但仍是高相关性的预测变量,神经网络构架图也证实了上述因素的重要性;(5)结果证实,人工神经网络、逻辑回归和多元自适应回归算法这3种机器学习算法均可用于全膝关节置换后住院时长的预测,但人工神经网络的预测效果比逻辑回归和元自适应回归算法更准确。手术时长、年龄、心力衰竭病史、心血管疾病、缺血性心脏病、手术方式和血红蛋白等指标在人工神经网络模型中与住院时长密切相关,同时使用神经网络模型可以对患者进行个性化预测。人工神经网络预测模型的识别效能较高,这有助于全膝关节置换患者缩短住院时长提高医院病床利用率负担。