基于机器学习的支架植入后胆道炎的风险预测
Rui Zhao1, Lin Gu1, Xiquan Ke1
1The First Affiliated Hospital of Bengbu Medical University, Yanhuai Road, Bengbu, 233000, China.
Scientific reports
|June 14, 2024
概括
人工智能模型现在可以预测ERCP支架植入后恶性阻塞性黄 (MOJ) 患者的胆管炎风险. 这些人工智能模型为临床诊断和治疗计划提供了更高的准确性.
科学领域:
- 医疗人工智能 医疗人工智能
- 胃肠病学 胃肠病学
- 在瘤学瘤学.
背景情况:
- 在恶性阻塞性黄 (MOJ) 中,ERCP后支架植入后的胆管炎风险尚未明确定义.
- 准确的预测对于患者管理和改善结果至关重要.
研究的目的:
- 开发和评估人工智能 (AI) 模型,用于预测胆管炎风险.
- 利用MOJ患者接受ERCP支架植入的临床数据.
主要方法:
- 对218名接受ERCP的MOJ患者进行了回顾性研究.
- 训练和测试七个模型 (单变量分析,六个机器学习模型) 使用27个临床变量.
- 使用接收器操作特征曲线 (AUROC) 下面面积的性能评估.
主要成果:
- 随机森林 (RF) 模型实现了高性能 (AUROC高达0.87).
- 使用RF和SHAP识别的关键变量进行特征选择.
- 与传统的物流回归 (LR) 相比,混合人工智能模型显示出优异的预测性能 (AUROC高达0.89).
结论:
- 一个新的混合人工智能模型准确地预测了ERCP后的MOJ患者的胆管炎风险.
- 这个模型可以帮助临床医生做出诊断和治疗决策.
- 改进的预测可能会导致更好的患者存活率.
