开发,比较和验证四个智能,实用的机器学习模型,用于灰色区域的前列腺特异抗原患者

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 前列腺特异性抗原 (PSA) 灰色区域 (4-10 ng/mL) 对前列腺癌的诊断提出了挑战.
• 准确的预测模型对于这个患者群体的及时诊断和治疗决策至关重要.

研究的目的:

• 开发和比较机器学习模型,用于预测PSA灰色区域内的患者的前列腺癌.
• 为了确定提高诊断准确性的关键预测因素.
• 将预测模型纳入临床决策过程.

主要方法:

• 利用了来自756名PSA水平在4-10 ng/mL之间的患者的数据.
• 收集的临床和人口统计数据包括年龄,PSA水平 (总和自由),PSA密度和MRI结果.
• 开发并比较了四种机器学习模型:LogisticRegression,XGBoost,GaussianNB和LGBMClassifier.
• 采用单变量和多变量物流分析来识别重要的预测因素.

主要成果:

• 机器学习模型在预测能力方面表现优于个体指标.
• 后勤回归模型实现了最高的曲线下面积 (AUC) 0.932 (95% CI: 0.881-0.983),明显优于其他模型 (p < 0.001).
• 后勤回归的性能指标包括精度 (0.792),灵敏度 (0.824) 和特异性 (0.919).

结论:

• 机器学习模型,特别是LogisticRegression,在PSA灰色区域中为前列腺癌提供了更高的可预测性.
• 这些模型可以有效地帮助临床医生在对PSA含量模两可的患者做出明智决策.
• 鉴定的预测因素提高了对影响前列腺癌风险的因素的理解.