Identifying Risk Groups in 73,000 Patients with Diabetes Receiving Total Hip Replacement: A Machine Learning Clustering Analysis
Notice bibliographique
Résumé
Background/Objective: Diabetes mellitus (DM) is a highly prevalent condition that contributes to adverse outcomes in patients undergoing total hip arthroplasty (THA). This study applied machine learning clustering algorithms to identify comorbidity profiles among diabetic THA patients and evaluate their association with postoperative outcomes. Methods: The 2015–2021 National Inpatient Sample was queried using ICD-10 CM/PCS codes to identify DM patients undergoing THA. Forty-nine comorbidities, complications, and clinical covariates were incorporated into clustering analysis. The Davies–Bouldin and Calinski–Harabasz indices determined the optimal number of clusters. Multivariate logistic regression assessed risk of non-routine discharge (NRD), and Kruskal–Wallis H testing evaluated length-of-stay (LOS) differences. Results: A total of 73,606 patients were included. Six clusters were identified, ranging from 107 to 61,505 patients. Cluster 6, enriched for urinary tract infection and sepsis, had the highest risk of NRD (OR 7.83, p < 0.001) and the longest median LOS (9.0 days). Clusters 1–4 had shorter recoveries with median LOS of 2.0 days and narrow variability, while Cluster 5 showed intermediate outcomes. Kruskal–Wallis and post hoc testing confirmed significant differences across clusters (p < 0.001). Conclusions: Machine learning clustering of diabetic THA patients revealed six distinct groups with varied comorbidity profiles. Infection-driven clusters carried the highest risk for non-routine discharge and prolonged hospitalization. This approach provides a novel framework for risk stratification and may inform targeted perioperative management strategies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».