预测乳腺重建中的并发症:机器学习模型的开发和潜在验证

科学领域:

• 在瘤学瘤学.
• 整形外科 整形外科 整形外科
• 机器学习在医学中的应用

背景情况:

• 乳头-乳腺体复合体 (NAC) 亡是乳头节省乳房切除术 (NSM) 后的一个重大并发症.
• 准确识别患有NAC亡风险的患者是一项挑战.
• 这种并发症可能会对乳腺癌手术后的患者结果和满意度产生负面影响.

研究的目的:

• 开发和验证NAC死的预测模型.
• 为了确定与NAC缩相关的关键风险因素.
• 改善NSM的患者选择和手术规划.

主要方法:

• 在接受NSM和立即乳房重建的患者的回顾性数据上训练了一种随机森林分类模型.
• 收集和分析了手术前,手术后和术后的数据.
• 该模型在单独的患者队列上进行了前性验证.

主要成果:

• 预测模型在前性验证中实现了高准确度 (97%).
• 观察到高特异性 (98%) 和负预测值 (98%).
• 超过400克的植入物重量被确定为NAC缺血的最重要的预测因素.

结论:

• 机器学习模型可以准确地预测NSM后的NAC缩.
• 植入物重量是NAC缩的可修改风险因素.
• 调整植入物重量可能有助于减轻NAC亡的风险,并改善手术结果.