基于机器学习的诊断模型,用于在手术前区分Xanthogranulomatous胆囊炎和胆囊癌:一个多中心的回顾性队列研究
Tianwei Fu1, Yating Bao2, Zhihan Zhong1
1General Surgery, Cancer Center, Department of Hepatobiliary & Pancreatic Surgery and Minimally Invasive Surgery, Zhejiang Provincial People's Hospital (Affiliated People's Hospital), Hangzhou Medical College, Hangzhou, Zhejiang, China.
Frontiers in oncology
|March 13, 2024
概括
这项研究开发了一种预测模型,以区分XGC和胆囊癌 (GBC). 诺米图集结了临床和成像数据,提高了这些具有挑战性的条件的手术前诊断准确度.
科学领域:
- 胃肠道学和肝胆道外科
- 医学成像和诊断 医学成像和诊断
- 在瘤学瘤学.
背景情况:
- 桑托格拉诺瘤胆囊炎 (XGC) 和胆囊癌 (GBC) 存在类似的手术前诊断挑战,原因是图像和血清学概况重叠.
- 精确区分XGC和GBC对于适当的患者管理和治疗计划至关重要.
研究的目的:
- 确定可靠的术前指标,以区分XGC和GBC.
- 开发和验证一个预测模型 (nomogram) 以提高GBC与XGC的手术前诊断.
主要方法:
- 对436名具有全面手术前数据 (成像,血液检测) 的患者进行了回顾性分析.
- 机器学习 (随机森林) 的应用,用于变量选择和多变量逻辑回归,以构建预测性名ogram.
- 使用SPSS和RStudio进行统计分析,包括对名ogram的外部验证.
主要成果:
- 确定了GBC的关键预测因素包括性别,墨菲的标志,绝对中性粒细胞数量,谷氨基转酶,癌胚抗原和成像诊断.
- 开发的诺米图表显示了GBC的高预测准确性,超过了传统的诊断方法.
- 外部验证证实了名ogram在区分GBC和XGC方面的一致性.
结论:
- 结合临床和成像因素的新型预测名录有效地区分了GBC与XGC.
- 这种工具有助于临床医生为复杂的胆囊疾病做出更明智的手术前诊断决策.
- 强调全面的手术前评估和先进的分析工具的价值,以提高诊断准确度.
