Search research articles

Videos de Conceptos Relacionados

Appendicitis-II: Diagnostic Studies and Management

Appendicitis-II: Diagnostic Studies and Management

Diagnosing and managing appendicitis requires a structured and comprehensive approach that spans from initial assessment to postoperative care. Here is an overview of the process:
Diagnosing Appendicitis
It requires a multifaceted approach, starting with a detailed physical examination to pinpoint the location and nature of the pain and identify any associated symptoms. Laboratory tests play a crucial role. A complete Blood Count (CBC) typically reveals leukocytosis (an increased number of...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Extracellular Vesicles: Key Mediators of Bioactive Molecule Transport in Plant-Microbe Interactions.

Molecular plant pathology·2026

Same author

Zwitterionic Gel Electrolyte Stabilized Multivalent Tellurium Redox for High-Energy Lithium Batteries.

Angewandte Chemie (International ed. in English)·2026

Same author

Publisher Correction: Spatial transcriptomics uncovers vasculature-centered cellular interactions driving Japanese encephalitis progression in a mouse model.

Nature communications·2026

Same author

Erratum to PGK1-coupled HSP90 stabilizes GSK3β expression to regulate the stemness of breast cancer stem cells.

Cancer biology & medicine·2026

Same author

Interfacial microenvironment engineering in CO<sub>2</sub> electroreduction: mechanisms, advances, and perspectives.

Chemical communications (Cambridge, England)·2026

Same author

Balanced electrochemical reaction kinetics and mass transfer for stable zinc negative electrode.

Nature communications·2026

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Search research articles

Video Experimental Relacionado

Updated: Jan 8, 2026

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

Modelo de predicción de recurrencia posoperatoria de absceso perianal mediante algoritmos de aprendizaje automático

Dawei Wang¹, Caixia Zhang¹, Zhiran Li²

¹National Colorectal Disease Center, Nanjing Hospital of Chinese Medicine, Affiliated to Nanjing University of Chinese Medicine, Nanjing, Jiangsu, China.

Frontiers in public health

|December 15, 2025

Resumen

Este resumen es generado por máquina.

Un modelo de aprendizaje automático predice el riesgo de recurrencia de absceso perianal. El modelo CatBoost, que utiliza antecedentes de diabetes, espacio del absceso y AISI, ofrece un manejo personalizado del paciente después de la cirugía.

Palabras clave:

CatBoost Shap aprendizaje automático absceso perianal recurrencia

Más Videos Relacionados

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

An Experimental Paradigm for the Prediction of Post-Operative Pain PPOP

An Experimental Paradigm for the Prediction of Post-Operative Pain PPOP

Published on: January 27, 2010

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

An Experimental Paradigm for the Prediction of Post-Operative Pain PPOP

An Experimental Paradigm for the Prediction of Post-Operative Pain PPOP

Published on: January 27, 2010

Área de la Ciencia:

Informática Médica
Oncología Quirúrgica
Aprendizaje automático en la atención médica

Sus antecedentes:

La recurrencia del absceso perianal representa un desafío significativo, que requiere una mejor estratificación del riesgo.
Las estrategias de seguimiento personalizadas son cruciales para optimizar los resultados de los pacientes después de la cirugía.

Objetivo del estudio:

Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir el riesgo de recurrencia en pacientes sometidos a cirugía de absceso perianal.
Identificar los predictores clínicos clave que contribuyen a la recurrencia posoperatoria.

Principales métodos:

Se analizaron los datos clínicos de 737 pacientes.
La regresión LASSO y la regresión logística multivariante identificaron predictores significativos.
SMOTE equilibró el conjunto de datos.
Se emplearon algoritmos de ML, incluido CatBoost.
El rendimiento del modelo se evaluó utilizando AUC, sensibilidad, especificidad, precisión, curvas de calibración, DCA y SHAP para la interpretabilidad.

Principales resultados:

El historial de diabetes, el espacio del absceso y el Índice Agregado de Inflamación Sistémica (AISI) se identificaron como fuertes predictores de recurrencia.
El modelo CatBoost demostró un rendimiento predictivo superior en los conjuntos de entrenamiento, validación y validación temporal (AUCs que oscilan entre 0.735 y 0.821).

Conclusiones:

El modelo de ML desarrollado, en particular el algoritmo CatBoost, predice eficazmente el riesgo de recurrencia de absceso perianal.
El análisis SHAP proporciona interpretabilidad, lo que facilita el manejo individualizado del paciente y las intervenciones específicas.