并发症评分和机器学习方法可以改善膀癌激进囊切术的风险评估

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 数据科学在医学中的数据科学

背景情况:

• 进行急性囊切除术 (RC) 的术前风险评估是一个重大挑战,特别是在老年患者中.
• 准确预测术后结果对于手术规划和患者管理至关重要.

研究的目的:

• 评估已建立的伴随性疾病指数的死亡率和患病率的预测能力,以后RC.
• 评估机器学习模型的增强预测性能,包括并发症指数和临床参数.

主要方法:

• 对392名接受开放RC的患者进行了回顾性分析,记录了并发症和死亡率.
• 根据年龄调整的查尔森并发症指数 (aCCI),埃利克沙瑟指数 (EI),美国麻醉学会 (ASA) 身体状况和加尼并发症指数 (GCI) 的评估.
• 研究各种机器学习模型,包括高斯的天真贝叶斯模型,逻辑回归,神经网络,决策树和随机森林.

主要成果:

• aCCI,ASA和GCI显示出对并发症和死亡率的显著预测价值 (p<0.01).
• 情绪指数没有显示出显著的预测能力.
• 接收器运行特征曲线 (AUROCs) 下的区域表明aCCI (0.81) 和ASA (0.78) 的死亡率有很好的预测,但并发症的预测很差.
• 结合ASA,年龄,BMI和性别的机器学习模型显示出更好的预测,高斯天真贝叶斯 (0.79) 和逻辑回归 (0.76) 表现最好.

结论:

• ASA和aCCI有效地预测RC后的死亡率,但对预测并发症的准确性较低.
• 在机器学习框架内将并发症指数与临床参数集成为改善RC患者风险分层提供了一个有希望的方法.