一个基于血液学参数的模型,用于区分非puerperal乳腺炎和侵入性管道癌
Zhichun Wang1, Lin Hua2, Xiaofeng Liu2
1Department of Breast Surgery, Jiujiang NO.1 People's Hospital, Jiujiang, Jiangxi, China.
Frontiers in oncology
|December 28, 2023
概括
这项研究确定了关键的血液标志物,以区分非乳腺性乳腺炎 (NPM) 和侵入性导管癌 (IDC). 使用年龄,白细胞计数和血栓时间的诊断模型显示出高准确性,有助于诊断乳腺损伤.
科学领域:
- 在瘤学瘤学.
- 血液学 血液学 血液学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 非puerperal乳腺炎 (NPM) 占良性乳腺病变的一小部分.
- 超声波虽然是一种主要的查工具,但在区分NPM与侵入性导管癌 (IDC) 时可能会呈现模两可的结果.
- 为了准确的差异诊断,需要客观和方便的血液学标记.
研究的目的:
- 确定可访问和客观的血液学标记,以区分NPM与IDC.
- 开发和验证基于这些标记物的诊断模型.
主要方法:
- 招募了患有NPM,IDC和纤维腺瘤 (FA) 的患者.
- 使用LASSO回归,单变量和多变量逻辑回归进行实验室数据比较.
- 使用接收器操作特征 (ROC) 曲线,校准曲线和决策曲线构建和评估诊断模型.
主要成果:
- 在NPM和IDC组之间观察到常规实验室数据的显著差异.
- 结合年龄,白细胞计数和血栓时间的诊断模型实现了高分辨率 (AUC 0.912训练,0.851对NPM与IDC的验证).
- 对NPM与FA的类似模型也表现出强的表现 (AUC 0.862训练,0.854验证).
结论:
- 常规实验室参数可以有效地区分NPM和IDC.
- 开发的模型作为一个高效的辅助诊断工具,用于区分NPM和IDC.
- 该模型的性能在准确性方面超过了传统的机器学习方法.
