相关实验视频
Updated: May 3, 2026
08:09
Vessel-sparing Excision and Primary Anastomosis
Published on: January 7, 2019
11.4K
机器学习算法预测了经尿道切除前列腺切除后的尿道狭窄
Emre Altıntaş1, Ali Şahin2, Huseyn Babayev3
1Faculty of Medicine, Department of Urology, Selcuk University, Tıp Fakültesi Alaeddin Keykubat Yerleşkesi Selçuklu, Konya, 42131, Turkey. dr.e.altintas@gmail.com.
World journal of urology
|May 15, 2024
概括
机器学习模型使用手术前血液测试准确预测通过尿道切除前列腺切除 (TURP) 后尿道狭窄风险. 随机森林实现了最高的准确性,显示出临床应用的前景.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 过尿道前列腺切除后 (TURP) 尿道狭窄是一种并发症.
- 对这种并发症的预测模型对于患者管理至关重要.
研究的目的:
- 开发和评估用于预测TURP后尿道狭窄的机器学习算法.
- 用手术前的血液参数作为预测特征.
主要方法:
- 对109名接受双相TURP治疗的患者进行了回顾性分析.
- 使用手术前血液测试和患者特征开发机器学习模型.
- 使用准确度,F1得分和ROC AUC等指标进行性能评估.
主要成果:
- 观察到血小板分布宽度,平均血小板体积,血小板位数,激活的部分血小板质量时间和血小板质量时间的统计学上显著的手术前差异.
- 随机森林模型实现了最高的预测准确度 (0.91).
- 其他模型的准确性各不相同:支持向量机 (0.86),决策树 (0.82),后勤回归 (0.82),K-最近邻居 (0.82),和天真贝斯 (0.77).
结论:
- 机器学习模型在预测TURP后尿道狭窄方面表现出很高的准确性.
- 手术前的血液参数是有价值的预测指标.
- 结合额外变量的未来研究可能会进一步提高预测精度.
