Predictive Model Development to Identify Failed Healing in Patients after Non-Union Fracture Surgery

要約

骨癒合不全は外傷手術に関連する最も重篤な合併症の 1 つであり、長骨骨折後の症例の 10 ～ 30% で発生します。
癒合不全の治療には高度な外科的専門知識が必要であり、多くの場合複数回の再手術が必要となり、場合によっては切断につながることもあります。
したがって、より正確な予後は患者の健康にとって非常に重要です。
最近の機械学習 (ML) の進歩により、臨床領域でよく遭遇する課題である小規模なデータセットを扱う場合でも、癒合不全治癒を予測するモデルの開発が可能になることが期待されています。
癒合不全治癒が失敗するリスクのある候補者を特定する際の ML の有効性を実証するために、長骨癒合不全患者 797 人を含む臨床データセット TRUFFLE に 3 つの ML モデル (ロジスティック回帰、サポート ベクター マシン、XGBoost) を適用しました。
。
このモデルは、感度 70%、特異度 66% (XGBoost)、49% (サポート ベクター マシン)、および 43% (ロジスティック回帰) の予測結果を提供しました。
これらの所見は、最初の外科的修正治療プロトコール後に癒合不全治癒が失敗するリスクのある患者を早期に特定できるため、貴重な臨床的洞察を提供します。

要約(オリジナル)

Bone non-union is among the most severe complications associated with trauma surgery, occurring in 10-30% of cases after long bone fractures. Treating non-unions requires a high level of surgical expertise and often involves multiple revision surgeries, sometimes even leading to amputation. Thus, more accurate prognosis is crucial for patient well-being. Recent advances in machine learning (ML) hold promise for developing models to predict non-union healing, even when working with smaller datasets, a commonly encountered challenge in clinical domains. To demonstrate the effectiveness of ML in identifying candidates at risk of failed non-union healing, we applied three ML models (logistic regression, support vector machine, and XGBoost) to the clinical dataset TRUFFLE, which includes 797 patients with long bone non-union. The models provided prediction results with 70% sensitivity, and the specificities of 66% (XGBoost), 49% (support vector machine), and 43% (logistic regression). These findings offer valuable clinical insights because they enable early identification of patients at risk of failed non-union healing after the initial surgical revision treatment protocol.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google