論文の概要: What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling

• arxiv url: http://arxiv.org/abs/2602.02517v1
• Date: Sat, 24 Jan 2026 01:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.430065
• Title: What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling
• Title（参考訳）: 選択的脊椎手術後の静止長について : 予測モデリングの10年を振り返って
• Authors: Ha Na Cho, Seungmin Jeong, Yawen Guo, Alexander Lopez, Hansen Bow, Kai Zheng,
• Abstract要約: 選択的脊椎手術後の在院期間の予測は, 患者と病院の資源使用の最適化に不可欠である。 機械学習モデルは、伝統的な統計モデルよりも一貫して優れていた。 人工知能と機械学習への関心は、滞在予測の長さで高まりつつあるが、標準化や外部検証の欠如は臨床的有用性を制限している。
• 参考スコア（独自算出の注目度）: 37.556832136788124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Predicting length of stay after elective spine surgery is essential for optimizing patient outcomes and hospital resource use. This systematic review synthesizes computational methods used to predict length of stay in this patient population, highlighting model performance and key predictors. Methods: Following PRISMA guidelines, we systematically searched PubMed, Google Scholar, and ACM Digital Library for studies published between December 1st, 2015, and December 1st, 2024. Eligible studies applied statistical or machine learning models to predict length of stay for elective spine surgery patients. Three reviewers independently screened studies and extracted data. Results: Out of 1,263 screened studies, 29 studies met inclusion criteria. Length of stay was predicted as a continuous, binary, or percentile-based outcome. Models included logistic regression, random forest, boosting algorithms, and neural networks. Machine learning models consistently outperformed traditional statistical models, with AUCs ranging from 0.94 to 0.99. K-Nearest Neighbors and Naive Bayes achieved top performance in some studies. Common predictors included age, comorbidities (notably hypertension and diabetes), BMI, type and duration of surgery, and number of spinal levels. However, external validation and reporting practices varied widely across studies. Discussion: There is growing interest in artificial intelligence and machine learning in length of stay prediction, but lack of standardization and external validation limits clinical utility. Future studies should prioritize standardized outcome definitions and transparent reporting needed to advance real-world deployment. Conclusion: Machine learning models offer strong potential for length of stay prediction after elective spine surgery, highlighting their potential for improving discharge planning and hospital resource management.
• Abstract（参考訳）: 目的: 選択的脊椎手術後の滞在期間の予測は, 患者結果の最適化と病院の資源利用に不可欠である。 本研究は, この患者集団における滞在期間を予測するための計算手法を体系的に合成し, モデル性能とキー予測器を強調した。 方法: PRISMAガイドラインに従って,2015年12月1日から2024年12月1日までに,PubMed, Google Scholar, ACM Digital Libraryを体系的に検索した。 厳密な研究は、選択的脊椎手術患者の滞在期間を予測するために統計学または機械学習モデルを適用した。 3人のレビュアーが独立して研究をスクリーニングし、データを抽出した。 結果: 1,263研究のうち29研究が包括的基準を満たした。 滞在期間は、連続的、二分的、またはパーセンタイルベースの結果であると予測された。 モデルには、ロジスティック回帰、ランダムフォレスト、ブースティングアルゴリズム、ニューラルネットワークが含まれる。 機械学習モデルは従来の統計モデルより一貫して優れており、AUCは0.94から0.99の範囲である。 K-Nearest NeighborsとNaive Bayesはいくつかの研究でトップパフォーマンスを達成した。 一般的な予測因子には、年齢、合併症(特に高血圧と糖尿病)、BMI、手術の種類と期間、脊椎レベルの数などがあった。 しかし、外部の検証と報告の実践は研究全体にわたって広範囲に及んだ。 議論: 人工知能と機械学習への関心は、滞在予測期間において高まっているが、標準化の欠如と外部検証の欠如は臨床的有用性を制限する。 今後の研究は、現実世界の展開を進めるために必要な標準化された成果定義と透明性のある報告を優先すべきである。 結論: 機械学習モデルは、選択的脊椎手術後の滞在予測に強い可能性を与え、退院計画と病院の資源管理を改善する可能性を強調している。

関連論文リスト

• Generalisable prediction model of surgical case duration: multicentre development and temporal validation [0.0]
  既存のモデルは多くの場合、部位または外科医固有の入力に依存し、外部の検証を受けることは滅多にない。 本研究は,本邦の2つの総合病院で日常的に収集されたデータを用いた多施設共同調査を行った。 広く利用可能な事前操作変数のみを用いた階層型機械学習モデルは、時間的外的検証において正確で校正された予測を達成した。
  論文  参考訳（メタデータ） (2025-11-12T05:30:51Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Peri-AIIMS: Perioperative Artificial Intelligence Driven Integrated Modeling of Surgeries using Anesthetic, Physical and Cognitive Statuses for Predicting Hospital Outcomes [12.493423568689801]
  クロックドローイングテストで測定された術前認知状態は, 入院期間, 入院料, 術後平均痛の予測に寄与した。 機械学習モデルは、ホールドアウトテストセットで術後の結果を分類するために訓練された。
  論文  参考訳（メタデータ） (2024-10-29T23:42:51Z)
• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。 機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。 本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Gradient Boosting on Decision Trees for Mortality Prediction in Transcatheter Aortic Valve Implantation [5.050648346154715]
  心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。 本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
  論文  参考訳（メタデータ） (2020-01-08T10:04:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。