一个用于尿动力学研究的自动诊断系统,适用于下尿路功能障碍

科学领域:

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

背景情况:

• 下尿路功能障碍 (LUTD) 的诊断依赖于尿动力学研究.
• 对泌尿动力学数据进行准确和有效的分析对于有效的患者管理至关重要.
• 现有的诊断方法可能耗时,需要专门的专业知识.

研究的目的:

• 开发一种使用机器学习进行尿动力学研究初步分析的自动诊断系统.
• 评估不同的机器学习算法在诊断常见的LUTD条件中的性能.
• 为了增强下泌尿道功能障碍的诊断过程.

主要方法:

• 包括527名患者,具有2015-2020年的完整泌尿动力学数据.
• 使用患者的年龄,性别和13个泌尿动力学参数作为输入特征.
• 应用和比较决策树 (DT),物流回归 (LR) 和支持矢量机 (SVM) 算法.

主要成果:

• 机器学习模型在常见的LUTD (DT:0.63-0.98,LR:0.73-0.99,SVM:0.64-1.00) 中实现了高的曲线下面面积 (AUC) 值.
• 对低活性和非收缩性破坏者的一种专门的分类模型显示出强的性能 (DT:0.82-0.85 AUC,SVM:0.86-0.90 AUC).
• 后勤回归和支向量机模型表现出卓越的诊断准确性,最好的模型平均AUC为0.90±0.08.

结论:

• 通过机器学习成功开发了用于尿动力学研究的自动诊断系统.
• 开发的系统在协助和增强下泌尿道功能障碍的诊断方面显示出有前途.
• 这种自动化方法为指导LUTD治疗策略提供了宝贵的参考.