周围插入与中心相关的上肢深静脉血栓和机器学习
Hankui Hu1, Zhoupeng Wu1, Jichun Zhao1
1Department of Vascular Surgery, West China Hospital, Sichuan University, Chengdu, China.
Vascular
|February 23, 2024
概括
机器学习模型准确地预测了外围插入中央导管 (PICC) 的患者上肢深静脉血栓形成风险. 与现有的方法相比,这种方法为减少UEDVT发生率提供了更有效的工具.
科学领域:
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
- 血管医学 血管医学
背景情况:
- 周围插入的中央导管 (PICC) 在癌症患者中被广泛使用.
- 上肢深静脉血栓塞 (UEDVT) 是与PICC使用相关的重大并发症.
- 准确的风险预测与PICC相关的UEDVT对于患者管理至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测PICC患者的UEDVT.
- 将ML模型的预测性能与已建立的西利尺度进行比较.
- 评估ML在识别UEDVT高风险患者中的有效性.
主要方法:
- 分析了452名患有PICC的癌症患者队列.
- 构建了机器学习模型,包括LASSO回归 (ML-LASSO和ML-Seeley-LASSO).
- 用患者数据训练和测试模型,通过超声波确认UEDVT诊断.
主要成果:
- 与西利尺度相比,ML模型表现出优越的预测性能.
- 在试验组中,ML-LASSO模型实现了0.856的曲线下的面积.
- 两种ML-Seeley-LASSO (0.799) 和ML-LASSO模型都在预测PICC相关的UEDVT方面表现出显著的有效性.
结论:
- 机器学习建模为与PICC相关的UEDVT提供了准确的风险估计.
- 实施基于ML的预测可以帮助减轻UEDVT的发生率.
- 这项研究强调了ML在改善瘤治疗患者治疗结果方面的潜力.
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
8.2K
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
