Using Machine Learning to Predict Nonachievement of Clinically Significant Outcomes After Rotator Cuff Repair
Uso de Machine Learning para Prever Falha em Alcançar Resultados Clinicamente Significativos Após Reparo do Manguito Rotador
Este estudo, publicado na Orthopaedic Journal of Sports Medicine, explorou o uso de algoritmos de machine learning para prever a não obtenção da diferença clinicamente importante mínima (MCID) na pontuação de incapacidade após 2 anos do reparo cirúrgico do manguito rotador. Avaliando 474 pacientes (500 ombros) submetidos ao procedimento entre 2013 e 2019, os algoritmos foram treinados com dados clínicos, demográficos e de imagem para prever o resultado com base na diferença entre as pontuações pré e pós-operatórias do American Shoulder and Elbow Surgeons (ASES).
O desempenho dos algoritmos, avaliado pela área sob a curva ROC (AUC), variou entre 0,58 e 0,68, com os modelos random forest e LightGBM apresentando os valores mais altos (0,68 e 0,67, respectivamente). Embora os algoritmos tenham mostrado capacidade de previsão, seu desempenho ficou aquém de outros estudos de machine learning na literatura ortopédica. No entanto, esses resultados indicam potencial para prever a não realização do MCID no ASES após o reparo do manguito rotador usando machine learning. Os algoritmos de machine learning demonstraram certa capacidade de prever a não realização do MCID no ASES 2 anos após a cirurgia de reparo do manguito rotador.
Leia o artigo completo no link abaixo:
