用机器学习预测减少乳房整形整体切除重量
Michelle Y Seu, Nikki Rezania1, Carolyn E Murray1
1From the Division of Plastic & Reconstructive Surgery, Rush University Medical Center, Chicago, IL.
Annals of plastic surgery
|June 4, 2024
概括
机器学习模型使用人体测量数据准确预测乳房切除重量,为减少乳房整形咨询提供了施努尔尺度表的有希望的替代方案.
科学领域:
- 人工智能在医疗领域的应用.
- 在整形外科手术中的预测建模.
背景情况:
- 机器学习 (ML) 提高了医学中的预测准确性.
- 这项研究旨在开发一种ML模型,使用人类测量来预测乳房切除重量.
研究的目的:
- 为了创建乳房切除重量的预测模型.
- 将ML算法性能与施努尔尺度进行比较.
主要方法:
- 分析了237名接受减小乳房整形手术的患者.
- 使用的人类测量变量:BSA,BMI,SN-N,乳头到乳房内膜折叠.
- 训练并测试了四种ML算法 (线性回归,回归,支向量回归,随机森林回归) 和Schnur尺度,通过平均绝对误差 (MAE) 评估准确性.
主要成果:
- 椎到乳头 (SN-N) 距离显示出最重要的变量.
- 所有的ML模型在预测切除重量 (下MAE) 方面都优于施努尔尺度.
- 没有施努尔尺度数据的随机森林回归模型获得了最低的MAE (186.20).
结论:
- 基于ML的预测模型为施努尔尺度提供了一个准确的替代方案.
- 这种方法有望提高减少乳房整形咨询的准确性.
