机器学习预测前列腺动脉栓塞结果

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:

• 前列腺动脉栓塞 (PAE) 是一种治疗良性前列腺增生的方法.
• 预测PAE后患者的结果对于治疗规划和患者咨询至关重要.
• 目前用于预测结果的方法可能无法充分利用程序前数据.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测PAE后一年的结果.
• 利用手术前的患者数据预测国际前列腺症状评分 (IPSS) 的变化.
• 创建一个实时预测的交互工具,以协助患者咨询.

主要方法:

• 来自英国ROPE注册表和单一机构 (2012-2023) 的数据的回顾性分析.
• 应用各种ML模型 (线性回归,拉索,,决策树,随机森林) 进行交叉验证.
• 使用临床和泌尿动力学参数预测基线IPSS和1年变化.

主要成果:

• 机器学习模型在预测基线IPSS和一年后的变化方面表现出合理的表现.
• 基线IPSS预测的平均绝对误差在4.9-7.3.3之间.
• 预测基线IPSS的模型错误与1年的IPSS变化有显著的相关性 (R2=0.2,p<0.001).

结论:

• 机器学习模型可以有效地预测PAE后一年的IPSS改进.
• 一个集成的,用户友好的数字界面允许实时预测结果.
• 这种预测工具可以增强治疗前的患者咨询,并为临床决策提供信息.