相关实验视频
Updated: Jun 4, 2025
12:10
Retzius-Sparing Robot-Assisted Radical Prostatectomy
Published on: May 19, 2022
7.5K
在激进前列腺切除术后PSA持久性的预测模型使用机器学习算法
Haotian Du1, Guipeng Wang1, Yongchao Yan1
1Department of Urology, The Affiliated Hospital of Qingdao University, Qingdao, China.
Frontiers in oncology
|December 23, 2024
概括
使用随机森林算法的机器学习模型有效地预测了激进前列腺切除术 (RP) 后的前列腺特异性抗原 (PSA) 持久性. 关键预测因素包括囊入侵,阳性手术边缘,手术前PSA和活检格里森得分,有助于临床风险评估和治疗规划.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 在瘤学瘤学.
- 机器学习在医学中的应用
背景情况:
- 在急性前列腺切除术 (RP) 后的前列腺特异性抗原 (PSA) 持久性是治疗结果的关键指标.
- 准确预测PSA持久性对于及时干预和改善患者预后至关重要.
研究的目的:
- 评估机器学习算法在预测RP后PSA持久性的有效性.
- 在接受RP的患者中确定与PSA持久性相关的关键风险因素.
主要方法:
- 对接受RP的470名患者进行了回顾性分析.
- 包括十个风险因素:年龄,BMI,手术前PSA,活检格莱森评分,PSAD,临床瘤阶段,淋巴结状况,精液囊泡入侵,囊入侵和积极的外科边缘.
- 七个机器学习算法的比较,数据分为训练 (70%) 和测试 (30%) 集.
主要成果:
- 随机森林模型表现出卓越的性能,在训练组中达到0.8607的AUC,在测试组中达到0.8011.
- 囊入侵,阳性手术边缘,手术前PSA和活检格里森得分被确定为PSA持久性的最重要的预测因素.
- 队列中的142名 (30.21%) 患者经历了PSA持久性.
结论:
- 随机森林算法是一种强大的工具,用于开发RP后PSA持久性的预测模型.
- 这项研究突出了重要的风险因素,帮助临床医生对亚洲地区的患者进行风险分层和个性化治疗策略.
- 这些发现支持早期干预和改善患有PSA复发风险的患者的管理.
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
