基于机器学习的宫高度状内皮病变的风险分层管理
Lu Zhang1, Pu Tian1, Boning Li1
1Cervical Disease Center, Obstetrics and Gynecology Hospital of Fudan University, Shanghai, China.
Journal of medical virology
|October 17, 2024
概括
这项研究确定了化后宫高度状内皮损伤 (HSIL) 变化的风险因素. 机器学习模型准确地预测了这些结果,有助于对患者进行风险分层管理.
科学领域:
- 妇科 妇科 妇科 妇科
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 结肠镜导向活检 (CDB) 与宫高度状内皮病变 (HSIL) 的化之间的一致性在64-85%之间.
- 准确预测病理升级或降级后的病理升级或降级对于患者管理至关重要.
研究的目的:
- 为了确定宫性HSIL患者在化后病理升级或降级的风险因素.
- 开发和验证机器学习预测模型,用于风险分层管理.
主要方法:
- 对1585名被诊断患有宫HSIL的患者进行了回顾性研究.
- 多变量分析以确定病理变化的独立风险因素.
- 机器学习模型的开发和外部验证,包括反向传播 (BP) 神经网络.
主要成果:
- 4.1%的患者升级为宫癌,72.4%的患者保持HSIL,而23.5%的患者在治疗后降级.
- 降级的关键风险因素包括年轻的年龄和较小的病变大小.
- 癌症升级的独立风险因素包括年龄,HPV16感染和特定的结肠镜检测结果 (粗点和非典型血管).
- 该BP神经网络模型显示了高预测性能 (在外部验证中AUC为0.91).
结论:
- 年龄,HPV状况和结肠镜检测结果是宫性HSIL的化后病理变化的重要预测因素.
- 该BP神经网络模型为风险分层提供了出色的预测性能.
- 基于网络的预测工具可以帮助管理CDB诊断的HSIL患者.
