Алгоритмы машинного обучения предсказывают функциональное улучшение после артроскопии тазобедренного сустава при синдроме фемороацетабулярного соударения у спортсменов.

Несмотря на предыдущие сообщения об улучшениях у спортсменов после артроскопии тазобедренного сустава по поводу синдрома импинджмента бедра (FAIS), многие из них не достигают клинически значимых результатов. Целью этого исследования была разработка алгоритмов машинного обучения, способных обеспечить индивидуальные для пациента прогнозы того, какие спортсмены получат клинически значимое улучшение спортивных функций после прохождения артроскопии тазобедренного сустава для FAIS.

МЕТОДЫ

Был запрошен регистр пациентов, которые участвовали в официальной спортивной программе или занимались спортом до прохождения первичной артроскопии тазобедренного сустава в период с января 2012 года по февраль 2018 года. Первичным результатом было достижение минимальной клинически значимой разницы (MCID) в подшкале оценки результатов лечения тазобедренного сустава - спорт (HOS-SS) минимум через 2 года после операции. Рекурсивный выбор функций использовался для определения комбинации переменных из начального пула из 26 функций, которые оптимизировали производительность модели. Шесть алгоритмов машинного обучения (стохастическое усиление градиента, случайный лес, адаптивное усиление градиента, нейронная сеть, машина опорных векторов и логистическая регрессия с эластичной сетью штрафов [ENPLR]) были обучены с использованием 10-кратной перекрестной проверки 3 раза и применены к независимой набор для тестирования пациентов. Модели оценивались с использованием различения, анализа кривой принятия решений, калибровки и шкалы Бриера.

РЕЗУЛЬТАТЫ

Всего было включено 1118 спортсменов, 76,9% из которых достигли MCID для HOS-SS. Было обнаружено, что комбинация 6 переменных оптимизирует производительность алгоритма, и конкретные пороговые значения снижают вероятность достижения MCID: предоперационная оценка HOS-SS ≥58,3, оценка по Тоннису 1, угол альфа ≥67,1 °, индекс массы тела (ИМТ). > 26,6 кг / м2, угол Тённиса> 9,7 °, возраст> 40 лет. Модель ENPLR продемонстрировала наилучшие характеристики (c-статистика: 0,77, точка пересечения калибровки: 0,07, наклон калибровки: 1,22 и оценка Бриера: 0,14). Эта модель была преобразована в онлайн-приложение в качестве образовательного инструмента для демонстрации возможностей машинного обучения.

ЗАКЛЮЧЕНИЕ

Алгоритм машинного обучения ENPLR продемонстрировал наилучшую производительность для прогнозирования клинически значимых улучшений в конкретных видах спорта у спортсменов, перенесших артроскопию тазобедренного сустава для FAIS. В нашей популяции спортсмены старшего возраста с более выраженными дегенеративными изменениями, высокими дооперационными баллами HOS-SS, аномальным наклоном вертлужной впадины и углом альфа ≥67,1 ° реже достигают MCID. После внешней проверки онлайн-приложение этой модели может позволить улучшить совместное принятие решений.

PubMed ID: 33877058

Название журнала: The Journal of bone and joint surgery. American volume (ISSN: 1535-1386)

DOI: 10.2106/JBJS.20.01640

Список авторов: Kunze Kyle N, Polce Evan M, Clapp Ian, Nwachukwu Benedict U, Chahla Jorge, Nho Shane J

Список тематик: Взрослый; Алгоритмы; Артроскопия; Женский; Феморацетабулярное ущемление / патология; Люди; Машинное обучение; Мужской; Минимальная клинически значимая разница; Прогностическая ценность тестов; Восстановление функции; Виды спорта; Результат лечения; Молодой взрослый;

Инструменты страницы