基于机器学习算法开发和验证股骨颈骨折后股骨头坏死的预测模型

摘要：

目的 通过机器学习算法识别股骨颈骨折患者复位内固定后股骨头坏死(osteonecrosis of the femoral head,ONFH)并构建预测模型.方法 选取我院2017年1月至2020年1月期间诊治的249例股骨颈骨折患者.使用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)和支持向量机-递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)算法识别ONFH风险变量.ROC曲线、校正曲线、临床影响曲线及决策曲线分析评估Nomogram模型.结果 249例中,ONFH发生率为25.7％.LASSO算法识别出11个术后ONFH风险变量;SVM-RFE算法识别出6个术后ONFH风险变量.交集风险变量为体质量指数(body mass index,BMI)、Garden分型、复位质量和中心粒细胞与淋巴细胞比值(neutrophil-lymphocyte ratio,NLR).多因素Logistic回归模型分析证实BMI(OR:1.093,95％CI:1.038～1.151,P=0.001)、Garden分型[(Ⅲ型OR:2.294,95％CI:1.493～3.524,P<0.001),(Ⅳ型OR:4.458,95％CI:1.525～5.658,P<0.001)]、复位质量(OR:1.252,95％CI:1.031～1.521,P=0.023)和NLR(OR:1.351,95％CI:1.161～1.572,P<0.001)是术后ONFH的独立风险变量.ROC曲线及校正曲线证实Nomogram模型具有较高预测能力,AUC为0.811(95％CI:0.733～0.888),C-Index为0.823(95％CI:0.813～0.925).在高风险群体中能有效识别出术后ONFH患者且提供显著临床净收益.结论 基于机器学习算法开发和验证的Nomogram能有量化患者术后ONFH风险且便于临床实践.

关键词：机器学习、股骨颈骨折、股骨头坏死、模型、统计学

所属期刊栏目：12

分类号：R683.4(骨科学（运动系疾病、矫形外科学）)

在线出版日期：2023-05-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：271-277