在使用多变量临床建模的计算机断层血管学上预测胃肠道活性动脉扩张
B Marinelli1, I Sinha2, E D Klein2
1Icahn School of Medicine at Mount Sinai, Department of Diagnostic, Molecular and Interventional Radiology, Division of Interventional Radiology, New York City, USA; Memorial Sloan Kettering Cancer Center, Department of Radiology, Division of Interventional Radiology, New York City, USA.
Clinical radiology
|September 8, 2024
概括
逻辑回归和机器学习使用临床数据准确地预测胃肠道出血中的动脉扩张. 这些模型有助于在成像之前识别活跃出血,改善患者护理.
科学领域:
- 放射学 放射学是一门学科.
- 医疗信息学 医疗信息学
- 胃肠病学 胃肠病学
背景情况:
- 急性胃肠道出血是一个重大的临床挑战.
- 早期识别活跃的动脉扩张对于及时干预至关重要.
研究的目的:
- 评估逻辑回归和机器学习模型对计算机断层血管学 (CTA) 上活跃动脉扩张的预测能力.
- 使用成像前的临床变量来预测急性胃肠道出血的患者.
主要方法:
- 对胃肠道出血的CTA研究的回顾性分析.
- 倾向性得分 匹配以平衡正负两种情况.
- 使用临床数据进行后勤回归,XGBoost,随机森林和支持矢量机模型的培训和验证.
主要成果:
- 该研究包括462个匹配的病例 (231个阳性,231个阴性).
- 后勤回归实现了接收器运行特征曲线 (AUC) 下的面积为0.82.
- 机器学习模型显示出不同的性能,支持矢量机器为0.78和XGBoost为0.68.
结论:
- 后勤回归模型在预测活跃动脉扩张方面表现出很高的准确性.
- 临床变量是胃肠道出血中CTA上活动出血的有效预测因素.
- 这些模型为预成像风险分层提供了有价值的工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
06:24Dynamic Contrast Enhanced Magnetic Resonance Imaging of an Orthotopic Pancreatic Cancer Mouse Model
Published on: April 18, 2015
15.1K