机器学习预测两阶段乳房重建后的囊收缩
Yunchan Chen1, Marcos Lu Wang1, Grant G Black1
1Division of Plastic and Reconstructive Surgery, Weill Cornell Medicine, New York, NY, USA.
JPRAS open
|September 4, 2023
概括
一个新的神经网络模型可以预测两阶段乳房重建后的囊收缩风险. 这种工具有助于外科医生识别高风险患者,以便更好地进行手术规划和结果.
科学领域:
- 整形外科 整形外科 整形外科
- 医学机器学习 医学机器学习
- 生物医学工程 生物医学工程
背景情况:
- 双阶段乳房重建是乳房切除术后的常见手术.
- 囊收缩是常见的并发症,导致植入物失败和发病率.
- 预测合风险对于改善患者的治疗结果至关重要.
研究的目的:
- 开发和评估用于预测囊收缩风险的机器学习模型.
- 确定关键的患者和外科手术因素与合发育相关.
- 提供一个工具,以加强乳房重建的手术前风险评估.
主要方法:
- 使用209名女性 (406个样本) 进行两阶段乳房重建.
- 雇佣监督学习模型,包括神经网络,以及手术前患者和手术数据.
- 通过5倍交叉验证和火车/验证/测试分割来评估模型性能.
主要成果:
- 在35.47%的受试者中发生囊收缩.
- 年龄较大,乳下折距离较小,背脊部位,合成网格和辐射增加了收缩风险 (p < 0.05).
- 神经网络模型表现出高预测精度 (0.82) 和AUC (0.79).
结论:
- 这项研究引入了第一个神经网络模型,用于预测二阶段重建后的囊收缩.
- 该模型可以帮助外科医生在手术前为高风险患者提供咨询.
- 结果可以指导决定进一步修订或自主重建的风险人群.
