在韩国一项纵向多中心研究中,使用机器学习对肥胖患者腹部脂肪吸体积的预测模型

科学领域:

• 医疗信息学 医疗信息学
• 整形外科 整形外科 整形外科
• 机器学习 机器学习

背景情况:

• 肥胖在手术规划中带来了挑战,特别是在像抽脂这样的手术中.
• 精确预测吸脂体积对于患者的安全和手术成功至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测肥胖患者的抽脂量.
• 为了确定影响预测脂肪吸体积的关键患者因素.
• 创建一个工具,以加强临床决策在抽脂程序.

主要方法:

• 分析了来自五个韩国中心的9,856名患者 (2018-2023) 的纵向队列数据.
• 使用ML算法 (随机森林,SVM,XGBoost等) 使用了15个患者个人资料变量. ) 的情况.
• 使用平均绝对误差 (MAE),根平均平方误差 (RMSE) 和R平方 (R2) 评估模型性能.

主要成果:

• 随机森林回归模型显示出优异的预测性能 (MAE:0.197,RMSE:0.249,R2:0.792).
• 身体脂肪量 (特征重要性:71.55) 和腰围 (特征重要性:13.21) 是最重要的预测因素.
• 基于验证的模型开发了一个基于Web的应用程序.

结论:

• 开发的ML模型为肥胖患者提供了精确的脂肪吸量预测.
• 身体脂肪量和腰围等关键预测因素使得可以提供个性化的手术建议.
• 这种工具可以改善临床实践中的手术规划,疗效和患者满意度.