整合机器学习模型,结合放射学和身体组成,用于预测PPGL中的手术内HDI

科学领域:

• 内分泌学 在内分泌学.
• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习在医学中的应用

背景情况:

• 在外科手术中,血液动力学不稳定性 (HDI) 在染细胞瘤/帕拉根瘤 (PPGL) 手术期间存在重大风险,可能导致严重的并发症.
• 有效预测HDI对于改善PPGL患者手术结果至关重要.

研究的目的:

• 在接受PPGL手术的患者中评估手术内性HDI的风险.
• 开发和评估手术内HDI的预测模型.

主要方法:

• 对199名连续PPGL患者的回顾性分析,分为血液动力学不稳定性 (HDI) 和血液动力学稳定性 (HDS) 组.
• 使用整体机器学习 (EL) 和多变量逻辑回归的预测模型的开发.
• 模型包括基于计算机断层扫描的身体组成,瘤放射学和临床数据.

主要成果:

• 该EL模型显示出优异的预测性能,在培训队列中,曲线下的面积 (AUC) 为96.2%,在验证队列中为93.7%.
• EL模型的AUC显著超过了后勤回归模型 (74.4%的培训,74.2%的验证).
• 该EL模型表现出有利的校准和临床适用性.

结论:

• 一个整体机器学习模型整合了手术前CT衍生的身体组成,瘤放射学和临床数据,可以有效地预测PPGL患者的手术内HDI.
• 这种预测能力可以帮助优化手术管理,改善患者的治疗结果.