Maschinenlernalgorithmen sagen klinisch signifikante Verbesserungen der Zufriedenheit nach Hüftarthroskopie voraus

ZIEL: Entwicklung von Maschinenlernalgorithmen zur Vorhersage des Misserfolgs, klinisch signifikante Zufriedenheit nach Hüftarthroskopie zu erreichen. METHODEN: Wir haben ein klinisches Repository nach aufeinanderfolgenden Patienten mit primärer Hüftarthroskopie befragt, die zwischen Januar 2012 und Januar 2017 behandelt wurden. Fünf überwachende Maschinenlernalgorithmen wurden in einem Trainingssatz von Patienten entwickelt und in einem unabhängigen Testdatensatz von Patienten intern validiert durch Diskrimination, Brier-Score, Kalibrierung und Entscheidungskurvenanalyse. Der minimale klinisch wichtige Unterschied (MCID) für den Visual Analog Scale (VAS)-Score für die Zufriedenheit wurde mittels einer ankerbasierten Methode abgeleitet und als primäres Ergebnis verwendet. ERGEBNISSE: Insgesamt wurden 935 Patienten einbezogen, von denen 148 (15,8 %) den MCID für den VAS-Zufriedenheitsscore mindestens 2 Jahre nach der Operation nicht erreichten. Der am besten abschneidende Algorithmus war das Neuronale Netzwerkmodell (C-Statistik, 0,94; Kalibrierungsinterzept, -0,43; Kalibrierungsssteigung, 0,94; und Brier-Score, 0,050). Die 5 wichtigsten Merkmale zur Vorhersage des Misserfolgs, den MCID für den VAS-Zufriedenheitsscore zu erreichen, waren: Vorgeschichte von Angst oder Depression, lateraler Zentrum-Rand-Winkel, postoperative Symptomdauer von mehr als 2 Jahren, Vorhandensein von 1 oder mehreren Medikamentenallergien sowie Arbeitnehmerentschädigung. SCHLUSSFOLGERUNGEN: Überwachende Maschinenlernalgorithmen wiesen eine hervorragende Diskrimination und Leistung bei der Vorhersage klinisch signifikanter Zufriedenheit nach Hüftarthroskopie auf, obwohl diese Analyse in einer einzigen Patientengruppe durchgeführt wurde. Eine externe Validierung ist erforderlich, um die Leistung dieser Algorithmen zu bestätigen. BEWEISSTUFE: Stufe III, therapeutische Fall-Kontroll-Studie.