开发一种机器学习模型,用于预测同轴核心针活检 (≤3厘米) 中的肺胸风险

科学领域:

• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 肺胸炎是同轴针肺活检 (CCNB) 后的一个风险.
• 准确的手术前风险评估对于患者管理至关重要.
• 目前的方法可能无法充分利用现有的临床数据.

研究的目的:

• 开发一种机器学习算法,用于在CCNB后预测肺胸病风险.
• 用手术前的临床数据来提高风险预测.
• 为临床决策提供信息,并改善术后护理.

主要方法:

• 从肺结节活检中获得的临床和成像数据的回顾性分析.
• 使用单变量分析和LASSO回归的变量选择.
• 评估了机器学习分类器,选择了高斯天真贝叶斯 (GNB) 作为最佳模型.

主要成果:

• 19.6%的患者在活检后出现了肺胸病.
• 确定了关键的风险因素:癌症,损伤类型,金色,尺寸和深度.
• GNB模型实现了AUC为0.82,准确度为0.8,灵敏度为0.71,特异性为0.84.

结论:

• 开发的算法有效地预测了手术前的肺胸部风险.
• 该模型有可能改进个性化风险评估.
• 它可以指导临床判断,并加强外科手术期间的患者管理.