基于机器学习的椎间盘切除术后住院时长预测研究

《BMC Medical Informatics and Decision Making》：Predicting Length of Hospital stay for patients undergoing discectomy surgery using clinical and surgical parameters via machine learning

　　

摘要

背景与目的

椎间盘切除术是最常见的脊柱手术之一，其延长术后住院时间（PLOS），对医疗系统产生显著影响，既影响患者恢复，也影响资源管理。本研究评估了机器学习模型，以识别关键临床预测因子并准确估计椎间盘切除术后住院时长。

方法

影响住院时间的潜在因素首先从现有文献中收集，并由临床专家组进行验证。分析了大不里士三个医疗中心400例椎间盘切除术患者的病历数据。为处理缺失数据（＜3.5%），在去除高缺失率病例后采用简单插补方法。数据被划分为80%的训练集（n = 320）和20%的独立保留测试集（n = 80），并在训练过程中严格采用5折交叉验证。开发了六种预测算法——线性回归、LASSO回归、随机森林、XGBoost、多层感知机（MLP）和深度神经网络（DNN）——并进行评估。模型可解释性通过全局SHAP分析进一步检验。

结果

术后出血量、术中出血量、体质指数、年龄、手术持续时间、手术器械及手术部位被列为排名最高的预测因子，而输血的影响最低。在未见的测试数据集上，基于树的集成模型在预测准确性方面优于线性模型和深度学习方法。随机森林模型表现出最佳的整体性能（均方误差：0.452，方差解释分数：0.874，\(\:{R}^{2}\)：0.874），XGBoost紧随其后（\(\:{R}^{2}\)：0.858），而LASSO（\(\:{R}^{2}\)：0.129）和线性基准模型由于非线性临床特征交互作用，表现较低。

结论

基于树的机器学习模型，尤其是随机森林，在预测椎间盘切除术后住院时长方面具有 promising 的能力。识别这些关键的围手术期驱动因素有助于支持临床出院规划、优化床位容量配置并改善医院资源管理。

背景与目的

椎间盘切除术是最常见的脊柱手术之一，其延长术后住院时间（PLOS），对医疗系统产生显著影响，既影响患者恢复，也影响资源管理。本研究评估了机器学习模型，以识别关键临床预测因子并准确估计椎间盘切除术后住院时长。

方法

影响住院时间的潜在因素首先从现有文献中收集，并由临床专家组进行验证。分析了大不里士三个医疗中心400例椎间盘切除术患者的病历数据。为处理缺失数据（＜3.5%），在去除高缺失率病例后采用简单插补方法。数据被划分为80%的训练集（n = 320）和20%的独立保留测试集（n = 80），并在训练过程中严格采用5折交叉验证。开发了六种预测算法——线性回归、LASSO回归、随机森林、XGBoost、多层感知机（MLP）和深度神经网络（DNN）——并进行评估。模型可解释性通过全局SHAP分析进一步检验。

结果

术后出血量、术中出血量、体质指数、年龄、手术持续时间、手术器械及手术部位被列为排名最高的预测因子，而输血的影响最低。在未见的测试数据集上，基于树的集成模型在预测准确性方面优于线性模型和深度学习方法。随机森林模型表现出最佳的整体性能（均方误差：0.452，方差解释分数：0.874，\(\:{R}^{2}\)：0.874），XGBoost紧随其后（\(\:{R}^{2}\)：0.858），而LASSO（\(\:{R}^{2}\)：0.129）和线性基准模型由于非线性临床特征交互作用，表现较低。

结论

基于树的机器学习模型，尤其是随机森林，在预测椎间盘切除术后住院时长方面具有可靠的前景。识别这些关键的围手术期驱动因素有助于支持临床出院规划、优化床位容量配置并改善医院资源管理。