使用机器学习和临床数据进行尿石组成的预测建模:对治疗策略和病理生理学的见解的影响
John A Chmiel1,2, Gerrit A Stuivenberg1,2, Jennifer F W Wong3
1Department of Microbiology and Immunology, Western University, London, Canada.
机器学习模型可以使用临床数据预测结石的组成. 这可能有助于指导泌尿科医生在石头移除前进行治疗规划.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗信息学 医疗信息学
背景情况:
- 结石 (结石) 管理依赖于精确的石材成分,通常在经过或手术后确定.
- 预测石头组成的预处理可以优化预防策略和手术干预.
研究的目的:
- 开发和评估机器学习模型,利用现有临床数据预测结石成分.
- 确定影响不同类型石头的关键临床预测因素.
主要方法:
- 从777名结石患者收集临床数据,包括24小时尿液分析,血清生物化学,人口统计和病史.
- 训练梯度增强了机器和后勤回归模型来分类石类型 (与非,COM与COD,以及三类模型).
- 使用kappa分数评估模型性能并评估预测变量的影响.
主要成果:
- 与非模型实现了0.5231的kappa,其中24小时尿,血尿酸盐和酸盐作为关键预测因素.
- 氧化单与二模型的kappa值为0.2042,24小时尿液尿素,和氧化是显著的.
- 多类模型实现了0.3023的kappa,年龄和24小时尿液和肌素作为顶级预测因素.
结论:
- 通过机器学习分析临床数据,可以有效预测结石的组成.
- 这种预测能力可能有助于泌尿科医生在最终石头管理之前定制治疗策略.
- 识别有影响力的预测因素,可以让我们深入了解尿病理生理学.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Urinary Tract Calculi III: Medical Management
Urinary Tract Calculi IV: Nutrition Therapy and Prevention
Urinary Tract Calculi I: Introduction
Urinary Tract Calculi II: Pathophysiology and Clinical Manifestations
Urinary Tract Calculi V: Nursing Management
Urinary Tract Calculi VI: Surgical Management
