2026年02月04日
## 要約：
この研究は、エレクトラクティブ脊椎手術後の在院日数を予測するコンピューターモデルに関する系統的レビューです。機械学習モデルは従来の統計モデルを上回り、年齢、合併症、BMI、手術時間、脊椎レベル数などが主要な予測因子として挙げられました。標準化された結果定義と透明性の高い報告が今後の研究で重要です。
---
## 翻訳：
目的：エレクトラクティブ脊椎手術後の在院日数を予測することは、患者の転帰を最適化し、病院のリソース使用量を効率化するために不可欠です。この系統的レビューは、この患者群における在院日数を予測するために使用された計算方法を合成し、モデルの性能と主要な予測因子を強調しています。方法：PRISMAガイドラインに従い、PubMed、Google Scholar、ACMデジタルライブラリで2015年12月1日から2024年12月1日までの期間に発表された研究を体系的に検索しました。該当する研究は、統計的または機械学習モデルを用いて、エレクトラクティブ脊椎手術患者の在院日数を予測したものです。3人のレビュアーが独立して研究をスクリーニングし、データを抽出しました。結果：1,263件スクリーニングされた研究のうち、29件が組み入れ基準を満たしました。在院日数は、連続値、二値、パーセンタイル値として予測されました。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ていました。機械学習モデルは一貫して従来の統計モデルを上回り、AUCは0.94から0.99の範囲でした。K近傍法とナイーブベイズ法が、いくつかの研究で最高のパフォーマンスを達成しました。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、手術の種類と持続時間、および脊椎レベルの数などが含まれていました。ただし、研究全体で外部検証と報告慣行は大きく異なっていました。考察：在院日数予測における人工知能と機械学習への関心が高まっていますが、標準化の欠如と外部検証の不足が臨床的有用性を制限しています。今後の研究は、現実世界への展開を促進するために必要な標準化された結果の定義と透明性の高い報告を優先すべきです。結論：機械学習モデルは、エレクトラクティブ脊椎手術後の在院日数予測に強い可能性を秘めており、退院計画と病院リソース管理の改善に役立つ可能性があります。
[📰 原文はこちら](https://arxiv.org/abs/2602.02517)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
