相关实验视频
Updated: Jul 13, 2026
05:44
Ultrasonographic Evaluation of Breast Cancer-related Lymphedema
Published on: January 12, 2017
10.0K
在乳腺癌手术后的患者中开发和验证上肢淋巴,使用可行的机器学习模型:回顾性队列研究
1Department of Breast Surgery, Hubei Cancer Hospital, Tongji Medical College, Huazhong University of Science and Technology, Hubei Provincial Clinical Research Center for Breast Cancer, Wuhan Clinical Research Center for Breast Cancer, Wuhan, Hubei, 430079, People's Republic of China.
International journal of general medicine
|September 9, 2024
概括
机器学习模型现在可以预测乳腺癌手术后上肢淋巴风险. 随机森林模型 (RFM) 显示出高精度,有助于临床决策和改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 上肢淋巴是乳腺癌手术后的常见并发症.
- 目前的监测方法受到模糊的临床表现的挑战.
- 需要改进早期风险预测和管理策略.
研究的目的:
- 开发和验证基于机器学习的上肢淋巴瘤预测模型.
- 确定与淋巴风险相关的关键临床因素.
- 加强乳腺癌患者的早期检测和临床决策.
主要方法:
- 来自乳腺癌手术患者的电子健康记录数据的回顾性收集 (2021年6月至2023年6月).
- 使用随机森林模型 (RFM),通用后勤回归模型 (GLRM) 和人工神经网络模型 (ANNM) 开发预测模型.
- 模型性能评估使用接收器操作特征曲线下的区域 (AUROC) 和决策曲线分析 (DCA).
主要成果:
- 该RFM表现出最高的预测效率,曲线下的面积 (AUC) 为0.894 (训练) 和0.889 (测试).
- 确定的主要独立风险因素包括身体质量指数 (BMI),高血压,TNM分期,病变部位,淋巴结剖析水平,治疗和护理.
- 在预测上肢淋巴瘤方面,RFM显著优于GLRM和ANNM.
结论:
- 一个可解释的机器学习模型,特别是RFM,可以准确预测乳腺癌患者上肢淋巴风险.
- 这个模型可以帮助医生做出明智的临床决策,改善医院管理,提高患者的治疗结果.
- 开发的预测模型为早期识别高风险个体提供了有价值的工具,促进及时干预.
