外部验证证明机器学习模型在预测客观和患者报告的过度活跃膀治疗结果方面优于人类专家
Glenn T Werneburg1, Eric A Werneburg2, Howard B Goldman1
1Department of Urology, Glickman Urological and Kidney Institute, Cleveland Clinic Foundation, Cleveland, OH.
Urology
|September 6, 2024
概括
机器学习模型准确地预测了接受毒素注射的过活性膀 (OAB) 患者的治疗反应. 这些模型在预测客观和患者报告的结果方面表现优于人类专家和其他算法.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 人工智能在医学中的应用
- 临床决策支持 临床决策支持
背景情况:
- 预测过活性膀 (OAB) 的治疗反应仍然是一个重大的临床挑战.
- 内毒素A型 (OBTX-A) 注射是OAB的治疗选择,但患者的反应各不相同.
- 准确预测OBTX-A反应对于优化患者咨询和治疗选择至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测OAB患者对OBTX-A的治疗反应.
- 将这些模型的预测性能与已建立的算法和人类专家预测进行比较.
- 评估模型在不同剂量方案的多样化,外部患者队列中的有效性.
主要方法:
- 在ROSETTA试验队列上训练了操作员分割算法,以预测客观和患者报告的结果.
- 模型使用外部ABC试验队列进行验证,具有不同的患者群体和剂量策略.
- 通过将曲线下的区域 (AUC) 与XGBoost,后勤回归和人类专家预测进行比较来评估性能.
主要成果:
- 经营者分割神经网络在预测客观治疗反应方面实现了0.66的AUC,超过了XGBoost (0.58),后勤回归 (0.55) 和人类专家 (0.47-0.53).
- 该模型还在预测患者报告的症状改善方面表现强 (AUC:0.64),超过其他算法和人类专家 (0.41-0.62).
- 这些结果在具有挑战性的外部验证队列中是一致的.
结论:
- 一个开发的神经网络模型在预测OAB的OBTX-A结果方面明显超过了人类专家和现有的机器学习方法.
- 该模型的卓越性能在独立验证队列中得到证明,突出显示了它的稳定性.
- 这种预测模型的临床实施有可能改善患者咨询,并指导OAB的治疗决策.
