機械学習とTriple-/Quadruple-Dスコアを使用して体外ショック波リトトリプシーの結果を予測する
Mucahit Gelmis1, Sina Kardas1, Ali Ayten1
1Department of Urology, Gaziosmanpasa Training and Research Hospital, Istanbul, Turkiye.
まとめ
四重Dスコアと機械学習,特にランダムフォレストは 外体ショック波リトトリプシー後の 石のない結果を正確に予測します この統合は腎石の治療戦略の選択を改善します.
科学分野:
- 泌尿器科
- 医療用イメージング
- コンピューター医学
背景:
- 外体ショック波リトトリプシー (ESWL) は,腎石に対する一般的な処置です.
- ESWL後に結石のない結果を予測することは,治療の成功にとって極めて重要です.
- 既存のスコア付けシステムは 予測の精度に限界があるかもしれません
研究 の 目的:
- トリプルDとクアドルプルDスコアの予測性能を評価し,機械学習 (ML) モデルと統合し,ESWL後の石抜き結果を評価する.
- 異なるMLモデル (ランダムフォレスト,ロジスティック回帰,ニューラルネットワーク) のESWLの成功を予測するパフォーマンスを比較する.
- ESWLの結果に影響を与える主要な予測要因を特定する.
主な方法:
- 観察研究では,ESWLを受けた309人の患者が分析されました.
- 患者は,治療後のイメージングに基づいて,石抜きと非石抜きに分類されました.
- 3つのMLモデル (ランダムフォレスト,ロジスティック回帰,ニューラルネットワーク) が訓練され,性能は精度,AUC,精度,リコール,F1スコアを使用して評価されました.
主要な成果:
- 4倍Dスコアは,トリプルDスコア (AUC: 0. 700) と比較して優れた予測力を示した.
- ランダムフォレスト (RF) は最高精度 (82. 9%,AUC: 0. 91) を達成し,次にニューラルネットワーク (NN) とロジスティック回帰 (LR) が続いた.
- 重要な予測要因には,石の密度,体積,皮膚から石までの距離 (SSD),および四重Dスコアが含まれていた.
結論:
- 四重DスコアとMLモデル,特にRFを統合することで,ESWLの結果の予測を大幅に改善します.
- 臨床スコアと計算知能を組み合わせることで 患者の選択とESWLの治療戦略を最適化できます
- これらの発見を検証するために,前向きな研究が推奨されます.
