Intraoperative Periprosthetic Fractures in Total Hip Arthroplasty: A 1.6-Million-Patient Analysis of Complications, Costs, and the Challenges in AI-Based Prediction
Notice bibliographique
Résumé
Background: Periprosthetic fractures following total hip arthroplasty are serious complications occurring in up to 2.4% of primary cases, contributing to significant morbidity, extended hospital stays, and elevated healthcare costs. Predicting these fractures remains a challenge despite advances in surgical techniques and prosthetic materials. Methods: This study analyzed 1,634,615 cases of primary THA from the NIS database (2016–2019) using propensity score matching to compare outcomes between patients with and without intraoperative periprosthetic fractures. Predictive models, including logistic regression, decision tree, and deep neural network, were evaluated for their ability to predict fracture risk. Results: Patients with periprosthetic fractures exhibited a 14-fold increase in pulmonary embolism risk, a 12-fold increase in infections, and a 5-fold increase in hip dislocations. Fractures extended hospital stays (3.8 vs. 2.5 days) and added approximately USD 32,000 in costs per patient. The predictive models yielded low accuracy (AUC max = 0.605), underscoring the complexity of predicting periprosthetic fractures. Conclusions: Intraoperative periprosthetic fractures in THA significantly elevate complication rates, costs, and length of stay. Despite extensive modeling efforts, accurate prediction remains difficult, highlighting the need to focus on preventive strategies, such as improved surgical techniques and real-time intraoperative monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».