在接受LSIL活检的妇女中评估高度状内皮病变 (HSIL+) 的风险:基于机器学习的研究

科学领域:

• 妇科病理学的病理学.
• 宫癌查 宫癌查
• 机器学习在医疗保健中的应用

背景情况:

• 宫癌查依赖于检测癌前病变.
• 在初始诊断为低度状内皮损伤 (LSIL) 的患者中,高度状内皮损伤 (HSIL+) 的错误诊断可能导致治疗延迟.
• 准确的风险分层对于及时干预至关重要.

研究的目的:

• 在LSIL患者中识别与遗漏HSIL+诊断相关的因素.
• 开发一个用于评估HSIL+遗漏诊断风险的预测模型.
• 改善早期检测和治疗宫癌前病变.

主要方法:

• 在LSIL结肠镜活检后,对505名接受循环电切除手术 (LEEP) 的患者进行了回顾性分析.
• 后勤回归用于识别遗漏HSIL+的人口和病理风险因素.
• 机器学习算法,包括决策树,用于构建和验证风险预测模型.

主要成果:

• 遗漏的HSIL+诊断的总比率为15.2%.
• 确定了独立的风险因素:HPV16/18感染,TCT≥ASC-H,TZ3和结肠镜印记G2.
• 决策树模型的准确度为94.7%,灵敏度为80.0%,特异性为96.9%,AUC为0.936.

结论:

• HPV16/18感染,TCT ≥ASC-H,TZ3和大肠镜G2印象是LSIL患者遗漏HSIL+的显著预测因素.
• 决策树模型提供了一种可靠且具有成本效益的工具,用于预测错过的HSIL+风险.
• 这种预测模型可以帮助早期干预和宫癌前期癌症的管理策略.