基于SMOTE-XGBoost的声神经瘤手术后听力保护的预测

科学领域:

• 神经外科 神经外科
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 声神经瘤手术的目的是保护患者的听力.
• 预测术后听力对于患者管理至关重要.
• 阶级不平衡的数据在开发准确的预测模型方面存在挑战.

研究的目的:

• 开发和验证一种机器学习模型,用于预测声神经瘤手术后的听力保护.
• 为了应对阶级不平衡的现实世界医院数据的挑战.
• 将拟议模型的性能与现有方法进行比较.

主要方法:

• 使用极端梯度提升树 (XGBoost) 进行模型开发.
• 应用合成少数超采样技术 (SMOTE) 来处理数据不平衡.
• 评估了多个机器学习模型的预测准确性.

主要成果:

• 拟议的XGBoost模型在预测听力保护方面表现出卓越的性能.
• 斯莫特有效地解决了数据集中的阶级不平衡问题.
• 该模型在真实世界的医院数据上实现了准确的预测.

结论:

• 开发的模型为声神经瘤患者的个性化手术前诊断提供了显著的进步.
• 准确的听力保留预测可以简化治疗,改善患者的治疗结果,并节省医疗资源.