使用人工神经网络来预测内腹的风险 尾切除术后

科学领域:

• 手术成果研究的研究结果.
• 医学中的人工智能
• 儿科外科手术 儿科外科手术

背景情况:

• 腹内 (IAA) 影响13.6%-14.6%的尾炎病例,通常与复杂的尾炎有关.
• 不一致的尾炎严重程度分类和治疗变化,特别是在穿孔尾炎,突出需要改进风险分层.

研究的目的:

• 评估人工神经网络 (ANN) 在预测尾切除术后腹内 (IAA) 发病风险方面的有效性.
• 开发可复制和可解释的ANN模型,以增强儿科尾切除患者的临床决策.

主要方法:

• 开发了两种不同的人工神经网络 (ANN) 架构,使用了1574名接受尾切除手术的儿科患者 (<19岁) 的回顾性数据.
• 利用人口,临床和外科变量,选择了12个对模型培训和测试最有影响力的因素.
• 采用80%/20%的划分用于培训和测试数据集以验证模型性能.

主要成果:

• 模型1证明了高准确度 (89.84%),70%的灵敏度和93.61%的特异性预测IAA在测试组.
• 模型2实现了84.13%的准确度,81.63%的灵敏度和84.6%的特异性,表明了强大的预测能力.
• 两种ANN模型都显示出在识别患有尾切除术后尾切除风险的患者方面具有显著的潜力.

结论:

• 人工神经网络 (ANN),当应用于精心选择的变量时,可以准确预测尾切除术后腹内 (IAA) 的可能性.
• 开发的ANN模型是可复制和可解释的,为优化尾切除术后护理和患者管理提供了潜在的最先进的方法.