机器学习模型用于预测皮肤穿透性神经膜切除术后的全身炎症反应综合征.
Tianwei Zhang1, Ling Zhu2, Xinning Wang1
1Department of Urology, The Affiliated Hospital of Qingdao University, Qingdao, China.
BMC urology
|July 7, 2024
概括
机器学习可以准确地预测皮肤穿透性神经脊髓切除术 (PCNL) 后的全身炎症反应综合征 (SIRS). 支持矢量机器模型识别了像前白蛋白这样的关键预测因素,有助于手术决策.
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:
- 系统性炎症响应综合征 (SIRS) 是皮肤透神经切除术 (PCNL) 后的一种潜在并发症.
- 准确预测SIRS对于患者管理和手术决策至关重要.
- 机器学习为开发医疗保健中的预测模型提供了一个有前途的方法.
研究的目的:
- 开发和评估用于PCNL后预测SIRS的机器学习模型.
- 为了确定有助于SIRS预测的关键临床变量.
- 评估不同机器学习算法的性能,以完成此任务.
主要方法:
- 来自337名PCNL患者的临床数据的回顾性审查.
- 使用六种机器学习算法开发预测模型.
- 在测试套件上使用AUC,精度,灵敏度和特异性来评估模型性能.
主要成果:
- 支持矢量机 (SVM) 模型表现出最高的性能 (精度:0.868,AUC:0.942).
- 通过SVM模型识别的关键预测因素包括专辑前蛋白,手术前尿液培养,SII和NLR.
- 其他重要的预测因素包括鹿角石,纤维素,手术时间和白细胞计数.
结论:
- 机器学习模型可以准确预测PCNL后的SIRS风险.
- 这些模型可以帮助外科医生做出临床决策.
- 前专辑蛋白和炎症标志物是PCNL后SIRS的显著预测因素.
