複数の機械学習モデルに基づく皮膚経性腎石切除後の石抜き率の予測値

科学分野:

• 泌尿器科
• 医療情報工学
• 機械学習

背景:

• 経皮腎石切除 (PCNL) は腎石治療の重要な手順です.
• PCNL後の石抜き率を予測することは,患者の管理と治療計画において極めて重要です.
• 機械学習 (ML) は,泌尿器科の処置における予測精度を向上させる可能性を秘めています.

研究 の 目的:

• PCNL後の石抜き率を予測するための3つのMLモデル (GBDT,RF,XGBoost) を開発し比較する.
• これらのMLモデルの予測性能と臨床有用性を評価する.
• 説明可能なAI方法を用いてPCNLの結果に影響を与える主要な臨床的要因を特定する.

主な方法:

• 訓練 (70%) と検査 (30%) のセットに分けられた,PCNLを受けた160人の患者の遡及分析.
• 臨床データを用いて GBDT,RF,XGBoost モデルの開発
• AUC,精度,感度,特異性,F1スコア,SHAP,DCAを用いたモデルの性能の評価

主要な成果:

• 石のない全体の割合は70.6%でした.
• 重要な予測要因には,石の数,直径,CT値,以前の手術歴,位置,形状が含まれていました.
• GBDTモデルは,RFとXGBoostを上回る最高の性能 (AUC: 0.836,精度: 0.854) を示した.
• SHAP分析では,石の数とCT値が重要な予測機能として強調されました.

結論:

• MLモデル,特にGBDTはPCNL後の石抜き率を正確に予測できます.
• GBDTモデルは,PCNLで成功する可能性のある患者を特定するのに役立ちます.
• これらのモデルは 臨床医が尿路結石の治療に関する 判断を下すのに役立ちます