Vorhersage einer verlängerten Hospitalisierung nach lumbaler Dekompression mithilfe KI-basierter Algorithmen

Abstract-Text deutsch

Einleitung: Die lumbale Dekompression ist einer der am häufigsten durchgeführten Eingriffe in der Wirbelsäulenchirurgie. Die Krankenhausverweildauer (lenght of stay; LOS) ist eine klinisch relevante Kennzahl, die zur Bewertung des chirurgischen Erfolgs, der patientenzentrierten Ergebnisse und der sozioökonomischen Auswirkungen verwendet wird. Ziel dieser Studie war es, verschiedene Algorithmen des maschinellen Lernens und des Deep Learning zu etablieren, um zuverlässig vorherzusagen, ob ein Patient, der sich einer Dekompression der lumbalen Spinalkanalstenose unterzieht, eine längere Verweildauer haben wird.

Material/Methode: Im Rahmen dieser retrospektiven monozentrischen Kohortenstudie wurden Patienten ausgewählt, die sich einer mikrochirurgischen oder vollendoskopischen Dekompression bei lumbaler Spinalstenose unterzogen. Eine verlängerte Verweildauer wurde definiert als eine Verweildauer, die größer oder gleich dem 75. Perzentil der Kohorte war (normaler versus verlängerter Aufenthalt; binäre Klassifikationsaufgabe). Unüberwachtes Lernen mit k-means Clustering wurde verwendet, um Cluster in den Daten zu finden. Die Krankenhausaufenthaltsklassen wurden mit logistischer Regression, RandomForest-Klassifikator, stochastischem Gradientenabstieg (SGD), KNearestNeighbors, Entscheidungsbaum-Klassifikator, Gaussian Naive Bayes (GaussianNB), Support-Vector-Machines (SVM), einem für die Aufgabe angepassten Convolutional Neural Network (CNN), Multilayer Perceptron Artificial Neural Network (MLP) und Radial Basis Function Neural Network (RBNN) in Python vorhergesagt. Die Vorhersagegenauigkeit und die Area Under the Curve (AUC) wurden berechnet. Die Bedeutung der wichtigsten Prädiktoren für die Klassifikationsaufgabe wurde evaluiert. Darüber hinaus entwickelten wir einen Entscheidungsbaum auf der Grundlage des CHAID-Algorithmus (automatische Chi-Quadrat-Interaktionserkennung), um die Grenzwerte der Prädiktoren für die klinische Entscheidungsfindung zu untersuchen.

Ergebnisse: 236 Patienten und 14 Merkmalsvariablen wurden einbezogen. Durch K-Means-Clustering wurden die Daten in zwei Cluster eingeteilt, die sich gut in zwei Gruppen von Patienten mit Risikomerkmalen unterscheiden ließen. Die Algorithmen erreichten AUCs zwischen 67,5% und 87,3% für die Klassifizierung der LOS-Klassen. Die Analyse der Merkmalsbedeutung der Deep-Learning-Algorithmen zeigte, dass die Operationszeit das wichtigste Merkmal für die Vorhersage von LOS war. Ein auf CHAID basierender Entscheidungsbaum konnte 84,7 % der Fälle vorhersagen.

Diskussion: Algorithmen des maschinellen Lernens und des Deep Learning sind geeignet vorherzusagen, ob Patienten nach einer lumbalen Dekompressionsoperation eine längere Liegezeit haben werden. Daher können die medizinischen Ressourcen den Patienten, bei denen das Risiko einer verlängerten Hospitalisierung besteht, angemessener zugewiesen werden. Zukünftige prospektive Studien sind nötig, um die vorgestellten Algorithmen extern zu validieren.

Abstract-Text englisch

Background: Decompression of the lumbar spine is one of the most common procedures performed in spine surgery. Hospital length of stay (LOS) is a clinically relevant metric used to assess surgical success, patient outcomes, and socioeconomic impact. This study aimed to investigate a variety of machine learning and deep learning algorithms to reliably predict whether a patient undergoing decompression of lumbar spinal stenosis will experience a prolonged LOS.

Methods: Patients undergoing treatment for lumbar spinal stenosis with microsurgical or full-endoscopic decompression were selected within this retrospective monocentric cohort study. Prolonged LOS was defined as a LOS greater than or equal to the 75th percentile of the cohort (normal versus prolonged stay; binary classification task). Unsupervised learning with k-means clustering was used to find clusters in the data. Hospital stay classes were predicted with logistic regression, RandomForest classifier, stochastic gradient descent (SGD) classifier, KNearestNeighbors, Decision Tree classifier, Gaussian Naive Bayes (GaussianNB), support vector machines (SVM), a custom-made convolutional neural network (CNN), multilayer perceptron artificial neural network (MLP), and radial basis function neural network (RBNN) in Python. Prediction accuracy and area under the curve (AUC) were calculated. Feature importance analysis was utilized to find the most important predictors. Further, we developed a decision tree based on the Chi-square automatic interaction detection (CHAID) algorithm to investigate cut-offs of predictors for clinical decision-making.

Results: 236 patients and 14 feature variables were included. K-means clustering clustered data into two clusters distinguishing the data well into two patient risk characteristic groups. The algorithms reached AUCs between 67.5% and 87.3% for the classification of LOS classes. Feature importance analysis of deep learning algorithms indicated that operation time was the most important feature in predicting LOS. A decision tree based on CHAID could predict 84.7% of the cases.

Conclusions: Machine learning and deep learning algorithms can predict if patients will experience an increased LOS following lumbar decompression surgery. Therefore, medical resources can be more appropriately allocated to patients who are at risk of prolonged LOS. Future prospective studies are warranted to validate the presented algorithms.