用于预测脊柱转移术后30天死亡率的机器学习算法的开发
Development of Machine Learning Algorithms for Prediction of 30-Day Mortality After Surgery for Spinal Metastasis
开发了四种机器学习算法（分类），并将表现最佳的算法集成到一个开放访问web应用程序中
摘要
背景:术前预测脊柱转移性疾病患者术后短期死亡率可以改善临终护理的共同决策。
目的:(1)开发用于预测短期死亡率的机器学习算法;(2)将这些模型应用于开放访问网络应用程序。
方法:美国外科医生学会，国家手术质量改善计划被用来确定接受手术干预的转移性疾病患者。我们开发了四种机器学习算法，并将在识别、校准和整体性能方面表现最佳的算法集成到一个开放访问web应用程序中。
结果:1790例脊柱转移性疾病患者的30 d死亡率为8.49%。术前预测因素为白蛋白、功能状态、白细胞计数、红细胞压积、碱性磷酸酶、脊柱位置(颈、胸、腰骶)和共病全身性疾病的严重程度(美国麻醉师协会级别)。在这一人群中，用于预测30 d死亡率的机器学习算法在辨别(c统计量)、校准(通过校准斜率和截距进行评估)、Brier评分和决策分析方面表现良好。一个开放访问的web应用程序是为最佳性能模型开发的，这个web应用程序可以在这里找到:https://sorg-apps.shinyapps.io/spinemets/。
结论:机器学习算法在脊柱肿瘤术后预后预测方面很有前景，这些算法可以集成到临床有用的决策工具中。随着肿瘤学数据量的持续增长，学习系统的创建和这些系统作为可访问工具的部署可能会显著提高预测和管理。
方法
指南
遵循TRIPOD指南和JMIR指南，用于开发和报告生物医学研究中的机器学习预测模型。30,31这是一项回顾性机器学习分类研究(结果为二元分类)，用于预测脊柱转移性疾病的预后。
数据源
美国外科医师学会(ACS)国家外科质量改进计划(NSQIP)是一个大型的、多机构的美国外科中心30 d术后结果的临床登记，已被广泛用于脊柱外科的结果研究。本研究未寻求机构审查委员会的批准，因为确定的NSQIP数据此前已被我们的机构审查委员会豁免。
病人的选择
患者只包括在这项研究如果所有下列条件得到满足
(1)一次电流程序T erminology代码切除,截骨术,减压、融合,
或(2)固定在颈椎,胸椎,或腰骶的水平,
(3)国际疾病分类诊断继发性恶性骨肿瘤,脑膜、脊髓或病理性骨折的诊断，
(4)已证实的播散性癌症的合并症，
(5)外科亚专科神经外科或骨科，
(6)全身麻醉，
(7)住院手术，
(8) 2009年至2016年期间的手术时间
(9)美国麻醉医师协会分类显示系统性疾病(II-V)。
候选特征
根据之前的工作，为每个符合条件的患者提取了以下变量:
(1)性别（男性，女性），
(2)年龄（连续），
(3)体重指数（连续），
(4)功能状态（独立，依赖），
(5)美国麻醉医师协会分类（II, III, IV-V]评估的共病全身性疾病的严重程度，
(6)脊柱肿瘤位置（颈，胸，颈，颈）
(7)椎体切除（yes, no），
(8)椎板切除术（yes, no），
(9)融合（yes, no），
(10)内固定（yes, no），
(11)节段数，
(12)术前白蛋白（连续），
(13)术前血清碱性磷酸酶（连续），
(14)术前红细胞压积（连续），
(15)术前白细胞计数（连续），
(16)术前血小板计数（连续）。
使用链式方程的多重归算法来归算缺失的术前实验室特征，缺失数据小于25%。NSQIP中记录的30天死亡率作为本研究的因变量。
应用程序的开发
通过模型性能指标预测30天死亡率的最佳算法被纳入一个交互界面。临床决策工具的设计目的是收集医疗保健专业人员输入的值，将值提供给预先训练过的算法，检索结果，最后将结果实时输出给医疗保健专业人员。临床决策工具被部署为一个基于web的开放访问应用程序，并被编程为可在台式机、平板电脑和智能手机上使用。使用Anaconda发行版(Anaconda Inc, Austin, T exas)、Microsoft Azure (Microsoft Corporation, Redmond, Washington)、R version 3.4.3 (The R Foundation, Vienna, Austria)、RStudio version 1.0.153 (RStudio, Boston, Massachusetts)和Python version 3.6 (Python Software Foundation, Wilmington, Delaware)进行数据分析、模型创建。和web应用程序开发。