基于机器学习的模型的开发,用于预测高度状内皮损伤 (HSIL) 通过冷刀化 (CKC) 治疗的积极利:单中心回顾性研究

科学领域:

• 妇科 妇科 妇科 妇科
• 在瘤学瘤学.
• 病理学 病理学 病理学

背景情况:

• 宫高度状内皮损伤 (HSIL) 需要治疗,通常是冷刀形 (CKC).
• 在CKC后的积极的外科边缘可能表明残留疾病,需要进一步的治疗.
• 预测积极的边际对于优化患者护理和后续策略至关重要.

研究的目的:

• 为了确定与宫性HSIL的CKC之后的积极外科边缘相关的因素.
• 开发和评估一个基于机器学习的风险预测模型,用于CKC后的积极利.

主要方法:

• 对3343名接受CKC治疗的HSIL患者进行了回顾性分析.
• 后勤回归用于识别积极边际的人口和病理风险因素.
• 应用和评估各种机器学习模型用于风险预测.

主要成果:

• 整体积极的外科手术利率为12.9%.
• 独立的风险因素包括腺体参与,转化区III,HPV16/18感染,多次HR-HPV感染,TCT等级≥ASC-H,以及覆盖≥3个象限的病变.
• 后勤回归模型的准确度为74.7%,灵敏度为76.7%,特异性为74.4%,AUC为0.826.

结论:

• HPV16/18感染,多次HR-HPV感染,腺体参与,广泛的病变覆盖,高TCT等级和转化区域III是CKC后积极边缘的独立风险因素.
• 开发的后勤回归模型是预测积极利率的强大工具,有助于临床决策和患者管理.