使用机器学习预测缩静脉切除后缺乏临床改善的情况
Ben Li1, Naomi Eisenberg2, Derek Beaton3
1Department of Surgery, University of Toronto, Toronto, ON, Canada; Division of Vascular Surgery, St. Michael's Hospital, Unity Health Toronto, Toronto, ON, Canada; Institute of Medical Science, University of Toronto, Toronto, ON, Canada; Temerty Centre for Artificial Intelligence Research and Education in Medicine (T-CAIREM), University of Toronto, Toronto, ON, Canada.
机器学习模型准确地预测了经过静脉切除术后1年缺乏临床改善 (LCI),优于逻辑回归. 这些算法可以指导患者的选择,并改善静脉功能不全治疗的结果.
科学领域:
- 血管外科 血管外科
- 医疗信息学 医疗信息学
- 机器学习在医疗保健中的应用
背景情况:
- 静脉移除是静脉的标准,但没有的患者的选择是具有挑战性的.
- 在切除后缺乏临床改善 (LCI) 的预测工具有限.
- 开发准确的预测模型对于优化治疗决策至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 算法,用于预测经过静脉切除后的一年LCI.
- 确定影响治疗结果的关键术前,术后和术后特征.
- 加强患者选择和术后风险管理策略.
主要方法:
- 利用了血管质量倡议数据库 (2014-2024) 对CEAP C2-C4疾病患者.
- 在226个特征 (手术前,手术内,手术后) 上训练了6个ML模型 (包括XGBoost).
- 通过使用接收器运行特征曲线 (AUROC) 下面面积和Brier分数来评估模型.
主要成果:
- 33,924名患者接受治疗;16.6%的患者经历了1年的LCI.
- XGBoost 显示出优异的预测性能 (AUROC 0.94 在手术前, 0.97 在术后).
- 关键预测因素包括VCSS,静脉静脉症状问卷,CEAP分类和先前的废除史.
结论:
- 开发了准确的ML模型来预测静脉缩切除术后的结果,超过了后勤回归.
- 这些算法为改善患者咨询和降低风险提供了巨大的潜力.
- 术前预测模型对于指导干预决策和预防LCI至关重要.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
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
