レーティキュラー静脈とテランジエクタシアの硬化療法の治療結果を予測する機械学習: 総合的な分析とパフォーマンス評価

科学分野:

• 血管外科 血管外科
• 医学的な美学について
• 医療におけるデータサイエンス

背景:

• 静脈静脈硬化療法の治療反応の正確な予測は,患者の健康と費用対効果のために不可欠です.
• テランジエクトアシアと下肢の網状静脈は,硬化療法の一般的な標的である.
• 機械学習 (ML) は,血管疾患におけるパーソナライズされた治療予測の可能性を秘めています.

研究 の 目的:

• 下 ekstremity telangiectasia と reticular vena sclerotherapy の治療結果を予測するためのMLモデルを開発し,評価する.
• スクレロセラピーの成功に影響を与える重要な患者の特徴と治療パラメータを特定する.
• ヴァリコス静脈管理における治療反応のパーソナライズされた予測のためのMLを活用する.

主な方法:

• 静脈硬化療法を受けた99人の患者のデータを分析した.
• 治療結果を予測するために,6つの異なる機械学習アルゴリズムを使用しました.
• 患者データには,人口統計,硬化療法の投与量,写真記録が含まれ,臨床評価により,アウトカムが"貧弱"",中等"または"良好"と分類されました.

主要な成果:

• 以前の治療歴のない患者は,以前の治療を受けた患者と比較して,有意に優れた"良好"応答率を示しました (p < .001).
• 2%のポリドカノール投与量は,1%の投与量 (p = .008) よりも高い"良い"応答率をもたらしました.
• XGBoostアルゴリズムは,特に"悪い"治療反応を予測する上で優れたパフォーマンスを示しました.

結論:

• MLモデルでは,静脈変形管のスクレロセラピーの結果を効果的に予測し,重要な要因として投与量と治療歴を強調できます.
• この研究は,スクレロセラピーの結果予測におけるMLの応用を先駆けし,治療の有効性に関する洞察を提供している.
• 将来の研究は,より多くの変数を組み込み,臨床使用のためのリアルタイム予測ツールを開発することに重点を置くべきです.