精巣捻転後の生存可能性予測における機械学習モデル：概念実証研究

科学分野:

• 泌尿器科学
• 医療情報学
• 外科的意思決定支援

背景:

• 精巣捻転の管理は、主観的な臨床評価に依存することがよくあります。
• 捻転後の精巣生存可能性の客観的予測は、精巣摘除術の決定にとって重要です。
• 精巣実質比率>80%の維持は、生存可能性の重要な指標です。

研究 の 目的:

• 捻転後の精巣生存可能性の客観的予測のための機械学習（ML）モデルの評価。
• 精巣摘除術の決定をガイドし、>80%の実質比率温存を目指すMLモデルの特定。
• 初期プレゼンテーションと手術時期に関係なくMLモデルの有効性を評価する。

主な方法:

• 除睾術および両側精巣固定術を受けた患者を対象とした前向き研究（2020-2024）。
• ロジスティック回帰、k最近傍法（k-NN）、決定木MLモデルを使用。
• フォローアップ超音波検査（6〜12か月）を使用して、モデルの精度、リコール、およびAUCを評価しました。

主要な成果:

• 決定木モデルは90.5%の精度を達成し、回帰モデルとk-NNモデルはそれぞれ82.7%と81.4%の精度を示しました。
• 早期手術介入（6時間未満）は、精巣生存率100%（p=0.001）につながりました。
• 思春期以降の年齢は、57.1%の生存率（p=0.041）と関連していました。

結論:

• MLモデルは、精巣捻転管理における臨床的意思決定を強化するための実行可能で客観的なツールを提供します。
• これらのモデルは、データ駆動型の生存可能性予測を提供することにより、精巣機能の温存を支援できます。
• MLモデルのパフォーマンスを向上させるために、より大規模なデータセットでのさらなる検証が推奨されます。