医学信息学解锁25（2021）100657虚弱指数在预测使用轻型梯度增强机器的全关节置换术Julie Slezak，Liam Butler，Oguz Akbilgic*芝加哥洛约拉大学，梅伍德，IL，美国A R T I C L EI N FO保留字：全关节置换虚弱指数ASA评分NSQIP机器学习光梯度增强机A B S T R A C T背景：全关节置换术（TJR）是老年人中昂贵且普遍的手术。再次入院是最常见的术后不良事件，也是术前需要考虑的重要因素。术前评估术后并发症可以帮助做出适当的术后出院决定，并可以改善知情同意。目的：我们的目的是比较和使用美国麻醉医师协会(ASA)与改良虚弱指数（mFI-5）相比，TJR后再入院风险材料方法：&我们在2011年至2017年美国外科医生学会国家手术质量改进计划（NSQIP）的数据上实施了光梯度增强机（LightGBM）作为主要的机器学习技术，以术前预测术后再入院的风险。我们还将结果与极端梯度提升（XGB），逻辑回归和随机森林机器学习技术进行了比较。我们纳入了22例术前诊断和症状以及ASA和mFI-5评分。然而，我们将队列随机分为80%的训练数据和20%的测试数据，对80%的训练数据集进行5倍交叉验证。模型比较是基于保留数据获得的受试者工作特征曲线下面积（AUC）。对最佳建模技术进行了变量重要性分析结果：我们的分析样本包括477616例手术。再入院率为3.6%（n= 17430）。ASA分级作为独立预测因子，AUC为0.607，mFI-5的AUC为0.585。LightGBM模型使用所有确定的预测因子的AUC均为0.67。对最终LightGBM模型的变量重要性分析表明，ASA、年龄和mFI-5是最重要的预测因素。然而，虚弱指数可以提供关于术后护理需求的更详细的信息结论：不仅测量诊断和症状，而且测量患者虚弱程度都有价值。作为独立变量，ASA和mFI-5与TJR后再入院中度相关。LightGBM模型预测TJR后再入院的准确性中等。未来的研究还应包括社会经济和行为因素作为再入院的潜在预测因素1. 介绍大关节置换术（或全关节置换术，TJR）通常定义为髋关节和膝关节的完全或部分置换每年有大约100万例TJR手术，美国预计到2026年将翻一番[1 这种增加预计在80岁时全髋关节置换术和全膝关节置换术的发生率分别为5.26%和10.38%[4]。由于与术前临床决策的直接联系以及需要认识到TJR后的重要性，报告的增加率使TJR和相关再入院的医学信息学中的再入院[5]。此外，包括机器学习等先进方法的研究有限，以评估NSQIP的TJR结果，这一研究领域值得重视，特别是因为与再入院相关的高成本和随着当前技术的进步和医学机器学习的实施，开发可以帮助临床决策的基线模型是公认的重要性[6]。全髋关节置换术的手术费用平均为39，000美元，全膝关节置换术约为19，000美元[7]。据估计，全髋关节和膝关节置换术平均报销约15，000美元* 通讯作者。电子邮件地址：oakbilgic@luc.edu（O.Akbilgic）。https://doi.org/10.1016/j.imu.2021.100657接收日期：2021年5月5日;接收日期：2021年7月2日;接受日期：2021年7月3日2021年7月4日在线提供2352-9148/© 2021作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuJ. Slezak等人医学信息学解锁25（2021）1006572=-[1]的文件。然而，这还不包括90天的再入院费用，这大大增加了TJR的最终费用。在美国，近20%的医疗保险患者在住院表1患者的人口统计学和临床特征，每个变量的p值来自Chisq或t检验。N= 477，616。排放，估计每年的成本为170亿美元[8]。这些成本对老龄化人口和医院可变数量的患者（%）p值Chisq/t检验比较无再入院可用床位和医生护理方面的负担表明，在临床方面继续对人群进行研究的重要性，以及 作为 的 变化 在 社会人口统计学 和 的 隐含风险年龄（平均值，标准差）66.50（10.86）0.001黑色34644（7.25）0.001西班牙裔12，472（2.61）0.001手术后由于并发症、磨损和损伤的累积，老化导致不良手术事件TJR程序通常被分类为性男女一九四○四七（40.63）283 376（59.33）<0.001作为一种选择性手术，但与术后发病率相关吸烟状况49，403<0.001因此需要对术后并发症的风险进行个性化的知情同意然而，研究人员正在增加虚弱的临床综合征作为额外的风险因素[9]。虚弱可以定义为生理储备的减少，导致与正常衰老过程分离的脆弱性[10]。脆弱是一个常见的骗局-在老年人谁已经携带健康状况不佳的风险增加BMI（平均值，标准差）慢性阻塞性肺部疾病（COPD）充血性心力衰竭（CHF）（10.34）31.64（6.91）0.0619，015（3.98）0.0011 862（0.39）0.001结果包括跌倒、意外残疾、住院和其他-择期手术451，248<0.001[11，12]。 后来，脆弱被转化为一个指数级，糖尿病（94.48）18，905（3.96）0.001功能状态和合并症。在出现了呼吸困难25，729（5.39）0.001在评估时，广泛的虚弱指数将与其他健康风险一起评估 术后 成果，研究人员 创建 修改后的虚弱指数（mFI-5）。mFI-5是一个紧凑的指数，采用自功能状态依赖独立14，245（2.98）四六三，三百七十一（97.02）<0.001呼吸机使用70（0.01）0.001更传统的虚弱指数，因此在评估和预测手术结局时可以轻松使用[13]。高血压药物治疗294，236（61.61）<0.001许多研究人员将美国麻醉医师协会分类（ASA）评估为手术风险的预测因子[14，15]。ASA分类是一种身体状态分类系统，可帮助临床医生对各种患者生理状态进行分类，并有助于评估整体手术风险[16]。的ASA分类是1（正常健康）至6（脑死亡）的量表，基于透析1，245（0.26）0.001癌症1 612（0.34）0.001脓毒症前3，325（0.70）0.001住院病人469，645（98.33）腹水130（0.03）肾衰竭253（0.05）患者的病史、疾病的严重程度和当前的身体状态。ASA量表的主要用途是帮助评估患者是否能耐受麻醉和手术条件。我们在这个项目中的目标是评估mFI-5的作用，改良虚弱指数（mFI- 5）0 172、111（36.04）1 266 472<0.001ASA分级作为2年后再入院TJR。我们假设，在术前3 个月纳入mF I - 5 ，（55.79）35，576（7.45）3，197（0.67）除ASA分级外的评估将增加TJR手术后再入院风险预测分析的预测能力，以及在临床决策过程中考虑其重要性。在这项研究中，我们的目的是建立预测模型的风险术后30天和再入院。我们利用NSQIP的数据数据集，并实现了一个极端梯度算法的风险预，4 252（2.52）5 8（0.001）ASA等级0.001112，831（2.67）2 235 696（49.35）3 216 471措辞我们假设TJR后再入院的风险可以在术前预测，而mFI-5是这种风险的一个强有力的决定因素。这种再入院风险预测可以帮助改善术后出院决策，以避免意外再入院。45重新接纳总住院时间（平均值，标准差）*（45.32）120，28（2.52）54（0.01）17，430（3.65）2.99（3.66）0.0012. 材料和方法队列和数据：本研究利用2011-2017年美国外科医生学会国家手术质量改进计划（NSQIP）的数据总队列规模为477，616例患者。22模型中包括变量，包括人口统计学（年龄、性别、种族、体重指数等）。和临床变量（使用高血压药物、败血症、呼吸困难、心力衰竭、透析等）。这些术前变量如表1所示。模型中还包括住院或门诊状态、功能状态、mFI-5、ASA分类和腹水状态结果变量：二元结果变量定义为TJR手术后30天再入院的发生率，其中0例未再入院，1例再入院。ASA和虚弱指数（mFI-5）：本研究使用了5种主要ASA类别，其中i）ASA 1是指健康状况正常的患者，ii）ASA 2* 最终模型中不包括总停留时间是指患有轻度全身性疾病而无显著功能限制的患者，iii）ASA 3是指患有严重全身性疾病而有显著功能限制的患者，iv）ASA 4是患有持续威胁生命的严重全身性疾病的患者，以及v）ASA 5是指不进行手术预计无法存活的危重患者。虽然有一个额外的类别（ASA 6），但本研究不包括ASA6（即脑死亡患者，器官功能正常，可用于移植）[16]。在本研究中采用了修改后的虚弱指数-5，0表示无虚弱，1级和2级归类为低度虚弱，3级和4级归类为中度虚弱，5级表示非常虚弱状态[17，18]。mFI-5指数考虑了5个主要成分来评估虚弱，即i）糖尿病史，ii）充血性心力衰竭，iii）高血压，iv）慢性阻塞性肺疾病，J. Slezak等人医学信息学解锁25（2021）1006573肺部疾病/肺炎和v）非独立功能状态[19]。本研究基于这些组分（以及这些组分的组合）审查了患者队列，并分配了适当的mFI-5指数。风险因素：我们纳入了22个变量来预测再入院：年龄、性别、人种、种族、体重指数（BMI）、吸烟状态、糖尿病、手术是否为择期、功能状态、高血压药物的使用、呼吸困难、是否使用住院或门诊服务、呼吸机的使用、败血症、慢性阻塞性肺病（COPD）、肾衰竭、透析、癌症、充血性心力衰竭（CHF），腹水，ASA物理分类和mFI-5。选择NSQIP模型中包含的风险因素，因为它们通常在术前可用。此外，本研究中纳入的变量是文献中最常见的变量，其与不良手术结局的关系[20，21]。我们建立了相对紧凑的模型（使用有限数量的变量/预测因子），以提高模型在不同健康环境中的泛化能力。再入院风险预测：本研究使用并比较了多种机器学习技术来预测手术后再入院的风险。使用的机器学习技术是光梯度增强机（LightGBM），逻辑回归，极端梯度增强（XGB）和随机森林。使用受试者工作特征曲线下面积（ROC AUC）统计评估所有模型。交叉验证和变量重要性分析：NSQIP数据集基于再入院状态进行分层，以确保在训练和保留数据集中阳性和阴性再入院的相对均匀分布。我们首先将队列分为80%的培训和20%的测试数据。采用第一个80%/20%分割，以允许对开发的模型进行额外的内部验证。 在模型训练期间从未使用20%的保持数据集，因此减少了模型性能和评估的偏差。剩余的80%训练数据用于开发使用5倍交叉验证策略5折交叉验证的使用允许该算法使用不同的部分（20%的训练数据）作为每个交互内的测试集以及使用不同的数据进行训练来构建5个不同的模型。交叉验证方法的集成已被广泛用于机器学习研究，并表明与没有交叉验证的80%/20%训练保持分裂相比，这种策略可以提高模型性能（Yadav Shukla，2016）。& 然后在保持数据集上测试每种实现的机器学习技术的5个结果模型中的每一个。在使用最佳机器学习技术（LightGBM）的最终预测模型上，我们实施了特征重要性分析，以确定哪些变量是手术后再入院的主要驱动因素。变量重要性分析还使我们能够更好地理解包括模型中的ASA和mFI-5状态。变量重要性使用“Shapley加法解释”（SHAP）进行SHAP是一种解释个人预测并显示积极因素的方法与预测结果的负相关[22]。在这项研究中，我们提供了一个SHAP汇总图，它结合了变量的重要性和这些变量对结果的影响。ASA和虚弱指数的比较：我们比较了ASA评分和mFI-5作为单一预测因子预测再入院的AUC。通过变量重要性分析，我们进一步比较了ASA和mFI-5对再入院预测的贡献。此外，我们还直接比较了ASA和虚弱指数与年龄的关系。3. 结果临床特征：数据集中共包括477，616例患者/手术。男性194，047例（40.63%），白人34，644例（7.25%），平均年龄66.50岁（10.79岁）。30年内再入院17430例（3.65%），TJR手术的天数。缺失数据相对较低（0.15%），并使用相应变量的中位数进行插补。我们的研究队列在使用的临床风险因素方面的详细特征总结于表1中。ASA和虚弱指数的比较：为了预测再入院，ASA评分作为独立预测因子产生的AUC为0.607（0.604- 0.611），mFI-5产生的AUC为0.585（0.581-0.589）。的意义使用DeLong检验检验ASA和mFI-5获得的AUC之间的差异（p <0.01）。<正如预期的那样，年龄的增加显示ASA评分的增加，在TJR手术前，除ASA评分外，还应考虑虚弱评分。此外，考虑每例患者的ASA评分与mFI-5联合使用也很重要。图图1和图2显示了ASA分级和mFI-5的患者分布。再入院预测和变量重要性分析：使用LightGBM和极端梯度增强的再入院预测提供了最佳结果，ROC AUC的95%置信区间为分别为0.672（0.662out data set. 其次是逻辑回归的结果，ROC AUC为0.658（0.648-0.668），随机森林的比较结果最低，为0.602（0.593-0.613）。我们选择LightGBM模型作为最佳的整体和最终模型，而不是XGB模型，因为它的计算速度更快。LightGBM模型的敏感性和特异性分别为0.62和0.63，提供了良好的在模型对真阳性和真阴性的预测中进行权衡在预测术后再入院的LightGBM模型上进行的SHAP变量重要性分析见图3。特征重要性分析显示，分配的ASA等级对预测术后潜在再入院具有最高的预测能力，其次是年龄和mFI-5虚弱指数。SHAP特征重要性还显示值增加之间的任何差异 图 3示出了患者的ASA等级越高，再入院的风险越高， 实际上是预期的。 这与年龄相似，显示年龄越大，术后阅读的可能性越高。此外，根据本研究的目的，mFI-5是预测再入院的前5个重要变量之一。腹水和肾衰竭被认为是模型的冗余变量，因此未在图中显示。 3，但仍保留在模型中。4. 讨论据报道，TJR的患病率很高[4，23]，手术后有再次入院的风险。我们的研究表明，不仅测量诊断和症状，而且测量患者虚弱程度是有价值的。作为独立变量，ASA评分和mFI-5与再入院中度相关。ASA患者的再入院率Fig. 1. ASA课程在不同年龄组中的分布。J. Slezak等人医学信息学解锁25（2021）1006574≥≥图二. 各年龄组间mFI-5指数的分布。3级（重度）占9.80%，而mFI-53级占12.47%。 我们的研究结果表明，标准的临床实践可能会受益于包括术前虚弱评估，以减少再入院。我们使用多种机器学习算法，以确保分析和模型评估的全面性。虽然逻辑回归在处理二元结果时主要用于机器学习，但逻辑回归函数假设变量之间存在一定的线性关系，这在临床数据集中并不常见，并且可能会破坏或降低结果预测的准确性[24]。另一方面，随机森林、LightGBM和XGB是基于决策树的算法[25]。随机森林算法对过拟合是鲁棒的，虽然相对容易微调，但计算时间较长，在我们的研究中表现不如LightGBM或XGB。所选模型（LightGBM和极端梯度提升）预测TJR后再入院的准确性中等这一结果在两种药物中的最大值均为0.67（0.66LightGBM和极端梯度增强可能是由于再入院状态数据集（3.65%）与患者总数的不平衡。我们进行了模型评估和变量重要性分析在LightGBM模型上，与极端梯度提升相反，由于LightGBM变量重要性分析显示，ASA分级、年龄和mFI-5是最重要的预测因素，也为阅读的可能性提供了更深入的见解任务我们注意到，mFI-5是作为NSQIP数据集中其他五个变量的函数计算的，这可能部分解释了为什么ASA的重要性高于mFI-5。虽然我们承认我们的结果在预测准确性方面非常有限，但我们的研究集中在一个需要注意的非常重要的组成部分（即手术后再入院）。此外，虽然最终选择的模型不包括术后住院时间，但我们的分析表明，住院时间也是再入院风险的重要预测因素。当纳入模型时，住院时间并未增加总体AUC结果，但有趣的是，总住院时间表明，手术后短期和长期住院时间均会影响再入院的可能性。这对确定接受手术的患者应该习惯的适当时间限制具有重要意义，以确保适当的恢复和降低再入院的可能性。然而，我们承认，由于美国住院费用高昂，总住院时间可能有些主观和患者驱动[2，27]。术前ASA和mFI-5指数应考虑在评估在即将进行的创伤手术后再次入院的可能性。创伤性损伤后手术后再入院率的增加应该需要使用它，因为这种风险可能会根据患者的健康水平而发生很大变化[15]。在之前的研究中，ASA评分一直显示出术后再入院率增加的趋势[14，15]。然而，我们建议，其他变量直接与ASA评分，最显着的年龄和虚弱程度也需要考虑。这是一个重要的组成部分，试图减少术后再入院，特别是当有较高的图3.第三章。 LightGBM模型（最终模型）的 SHAP 特 征重 要 性 分析 在预测术后 再入院中的作用。J. Slezak等人医学信息学解锁25（2021）1006575风险和对患者和经济的货币负担[14]。先前的研究已经确定了ASA评分和再入院风险之间的线性关系，以及间接的住院时间。虽然我们承认，由于许多其他间接因素（例如，健康保险和社会经济背景），患者和咨询医生的出院可能是主观的，但我们假设可以通过使用机器学习模型适度预测再入院的风险，并且除了ASA等级外，还应在手术前考虑mFI-5评分最近的文献关注使用mFI-5预测死亡率[17，18，28]，我们认为我们的结果可以补充越来越多的文献，表明虚弱是术后不良事件的重要风险因素。本研究强调了ASA分类和mFI-5纳入任何TJR手术模型的重要性，特别是其增加临床医生决策支持的潜力[23]。我们的研究有一些局限性。首先，风险因素仅限于NSQIP范围内收集的数据。可能还有许多其他决定因素与社会经济风险因素，术后护理质量，婚姻状况，护理人员可用性等相关。纳入这些社会经济和行为风险因素可能会进一步提高预测准确性，并可能有助于临床决策。4.1. 今后工作通过考虑术前评分，对术后读取任务风险进行持续研究的空间很大。基于机器学习模型的临床决策工具可以通过解释人口统计学和临床ASA和虚弱评分来帮助医生评估再次入院的风险。我们的研究重点是全关节置换手术，手术后可能会产生不良事件，因此，接受该手术的患者应在手术前后进行密切监测。此外，未来的工作可能会导致机器学习模型以及危险模型的开发（例如，COX比例风险模型），以进一步帮助临床医生在逐个患者的情况下决定最佳行动方案。5. 结论随着美国人口持续老龄化，TJR手术将更常见的可能性增加。在当今世界，重要的是个人保持活跃，因为他们的年龄最好的健康。然而，年龄会自动产生需要考虑的健康问题，因此TJR手术非常重要，形成以确保最大可能的流动性和减少每-骨骼问题。此外，以最小的健康风险和再入院风险进行这些手术对个人和医疗保健系统都有好处。衰老通常与虚弱相关，NSQIP数据为评估TJR手术中再入院的重要性提供了机会。虽然我们承认AUC对于预测TJR再入院是相当低的，但这些结果可以通过评估事件的罕见性来解释。事实上，我们的机器学习模型总是识别出ASA Class和mFI-5分数非常重要，这是一个非常有趣的组成部分，为这项研究增添了价值。在手术前评估mFI-5并为术后护理做好准备将减少再入院并改善患者健康和生活质量。我们的研究结果表明，标准的临床实践应该包括这些讨论手术前。我们的研究结果可以补充越来越多的文献，表明虚弱是手术后不良事件的一个重要风险因素。此外，尝试确定在医院或临床环境中的最佳住院时间以确保TJR手术后较低的再入院率也竞合利益没有人申报。引用[1] BovonratwetP，Shen TS，Ast MP，Mayman DJ，Haas SB，Su EP.原因和风险3015例门诊全膝关节置换术后30天再入院因素分析关节成形术杂 志 2020;35（9）：2451-7。[2] Chimukangara M，Helm MC，Frelich MJ，Bosler ME，Rein LE，Szabo A，Gould JC. 基于NSQIP数据的5项虚弱指数与以下结果相关：食管旁疝修补术外科内镜2017;31（6）：2509-19。[3] Chu QD，Volk L，Kuo YH，Disandro K，Randazzo M，Shokouh-Amiri H，ZibariGB，Gibbs JF.五点改良虚弱指数（MFI-5）预测手术结果胰腺导管腺癌（PDAC）患者行胰腺切除术。HPB 2019;21：S41-2.https://doi.org/10.1016/j的网站。 hpb.2019.03.066。[4] CMS 。 关 节 置 换 术 的 综 合 护 理 模 式 。 2021.6 月 23 日 从https://innovation.cms.gov/innovation-models/cjr检索。[5] Doyle DJ，Goyal A，Pankaj B，Garmon EH.美国麻醉医师协会分类。2019年（ASA级）。统计珍珠[互联网]。[6] [10]李文，李文，李文.老年人的虚弱：表型的证据。老年学杂志A辑：生物科学与医学2001年;56（3）：M146[7] 格龙河使用Scikit-Learn、Keras和TensorFlow进行机器学习概念、工具和技术来构建智能系统。O'ReillyMedia，2019年。[8] Hernandez AF ， Greiner MA ， Fonarow GC ， Hammill BG ， Heidenreich PA ，Yancy CW，PetersonED，Curtis LH. 因心力衰竭住院的医疗保险受益人早期医生随访与30天再入院之间的关系JAMA2010;303（17）：1716[9] Jayakumar P，Bozic KJ.在全关节置换术中使用患者报告的结局指标进行高级决策。J Orthop Res 2020;38（7）：1414-22。[10] JencksSF，Williams MV，Coleman EA. 医疗保险按服务收费计划中患者的再住院情况。新英格兰医学杂志2009;360（14）：1418-28。[11] KeG，Meng Q，Finley T，Wang T，Chen W，Ma W，Ye Q，Liu T-Y.Lightgbm：一个高度梯度提升决策树Adv Neural Inf Process Syst 2017;30：3146-54.[12] Kremers HM，Larson DR，Crowson CS，Kremers WK，Washington RE，SteinerCA，Jiranek WA，Berry DJ。美国全髋关节和全膝关节置换术的流行率。骨与关节外科杂志。 美国卷2015;97（17）：1386。[13] Lopez CD，Boddapati V，Neutralth AL，Shah RP，Cooper HJ，Geller JA.全关节置换术的医院和外科医生医疗保险报销趋势。置换术今日2020;6（3）：437[14] [10]杨文，杨文. 全关节置换术后再入院的风险因素：一项荟萃分析。 JBJSreviews 2021;9（6）：e20.[15] 莫尔纳角可解释的机器学习。璐璐 2020.[16] 放大图片作者：A.医学中的机器学习新英格兰医学杂志2019;380（14）：1347-58。[17] RobinsonTN，Welleman B，Wallace JI，Church SD，McFann KK，PfisterSM，Sharp TJ，MossM. 使用虚弱、残疾和共病Ann Surg2009;250（3）：449-55。[18] RosenthalJA，Lu X，Cram P.美国医院提供的消费者价格，普通外科手术JAMA Internal Medicine2013;173（6）：427-32.[19] Sathiyakumar V，Molina CS，Thakore RV，Obremskey WT，Sethi MK. ASA评分作为骨科创伤患者围手术期30天再入院的预测因子伤害：NSQIP分析。 J Orthop Trauma 2015;29（3）：e127-32。[20] 史 都 华 全 关 节 置 换 ： ASC 的 135 亿 美 元 商 机 。 2019. 2020 年 检 索 自https://www.beckersasc.com/orthopedics-tjr/total-joint-discriminations-the-13-5b-business-opportunity-for-ascs.html。[21] Stoicea N，Baddigam R，WajahnJ，Sipes AC，Arias-Morales CE，Gastaldo N，Bergese SD.临床研究与标准治疗之间的差距：围手术期虚弱评估量表的综述。公共卫生前沿2016;4：150。[22] Stoltzfus JC. Logistic Regression：A Brief Primer. Acad Emerg Med 2011;18（10）：1099-104。[23] Subramaniam S，AalbergJJ，Soriano RP，Divino CM.使用美国外科医师学会NSQIP数据的新5因素改良虚弱指数。JAm Coll Surg 2018;226（2）：173-81。 e178。[24] Tabak YP，Sun X，Nunez CM，Gupta V，Johannes RS. 使用电子临床数据预测早期住院时的再入院：早期再入院风险评分。医疗保健2017;55（3）：267。[25] [10]陈文辉，陈文辉. 伤前ASA评分是严重创伤后再入院的独立预测因素创伤外科&急症护理开放2017;2（1）：e000128。[26] Traven SA，Reeves RA，Sekar MG，Slone HS，Walton ZJ.新的5因素改良虚弱指数预测初次髋关节和膝关节置换术的发病率和死亡率关节成形术关节成形术杂志2019;34（1）：140-4。[27] Wilson JM，Holzgrefe RE，Staley CA，Schenker ML，Meals CG. 5项改良虚弱指数在外科手术患者危险分层中 的 应用桡骨远端骨折的治疗。 手外科杂志2018;43（8）：701-9。[28] 薛庆良虚弱综合征：定义和自然史。临床老年医学2011;27（1）：1-15。
我的内容管理
展开
