使用机器学习方法预测在植入基乳房重建后需要选择性修复和非计划性手术的需求

科学领域:

• 整形外科 整形外科 整形外科
• 生物医学工程 生物医学工程
• 机器学习在医学中的应用

背景情况:

• 基于植入物的双阶段乳房重建通常需要二次修复程序.
• 并发症,缺陷纠正和美学改进是修复手术的常见原因.
• 预测需要额外的手术是复杂的,受患者和外科医生因素的影响.

研究的目的:

• 确定与二阶段乳腺重建中二次手术更高率相关的患者特异性因素和手术技术.
• 开发和验证用于个性化风险评估和手术前咨询的机器学习模型.

主要方法:

• 一组训练组的回顾性分析,包括209名患者 (406个乳房) 接受了两阶段的全塑性重建.
• 多变量分析以确定与二次手术几率增加相关的因素.
• 神经网络模型的开发和性能评估 (ROC AUC,灵敏度,特异性,准确性).

主要成果:

• 超过45%的乳房 (185/406) 需要修改或无计划的手术.
• 与额外手术几率较低相关的因素包括高血压,非烟草使用和纹理扩展器使用.
• 与更高的赔率相关的因素包括更大的初始扩展器体积,垂直辐射切口,以及更大的乳头-乳腺内膜折叠距离.
• 神经网络模型的ROC AUC为0.74,灵敏度为84.2,特异性为63.6,准确度为62.1.

结论:

• 机器学习模型可以准确地预测乳房重建中二次手术的个体患者风险.
• 这些模型有助于量身定制手术规划,并为患者提供知情决策.
• 开发的模型提供了一种可靠的工具,用于在整形外科手术中进行手术前咨询.