机器学习算法用于预测患有垂体腺瘤的患者在经过跨形手术后延迟的低血症
Kunzhe Lin1,2, Jianping Zhang3,4, Lin Zhao2
1Fuzong Clinical Medical College of Fujian Medical University, Fuzhou, China.
Scientific reports
|January 9, 2025
概括
机器学习模型可以预测下垂体手术后延迟的低血症. 关键预测因素包括垂体茎角和水平,有助于在接受跨形手术的患者的早期干预.
科学领域:
- 神经外科 神经外科
- 内分泌学 在内分泌学.
- 医疗信息学 医疗信息学
背景情况:
- 延迟性低血是对垂体腺瘤进行跨形手术后的潜在并发症.
- 准确预测这种并发症对于及时管理和改善患者结果至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测经过转形手术后的延迟低血症.
- 确定影响延迟低血症发生的关键临床变量.
主要方法:
- 追溯和前性数据收集来自于因垂体腺瘤而经历过跨形手术的患者.
- 培训和验证7个ML模型,包括XGBoost,随机森林和后勤回归.
- 使用夏普利添加式扩展算法 (SHAP) 来确定变量重要性.
主要成果:
- XGBoost模型显示了最高的预测性能,AUC为0.821 (训练),0.831 (测试) 和0.785 (前性).
- 由SHAP确定的显著预测因素包括垂体茎偏差角度,"可测量的垂体茎"长度的变化以及血液度的变化.
结论:
- 在XGBoost ML模型是有效的预测延迟的低血症后,转腺手术用于垂体腺瘤.
- 特定的解剖和生化参数对于风险分层和早期检测这种术后并发症至关重要.
