在人工智能时代进行腹腔镜重复肝切除的指示模型:机器学习预测手术指示的预测
Sung Jun Jo1, Jinsoo Rhu1, Jongman Kim1
1Department of Surgery, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, South Korea.
概括
这项研究开发了一种机器学习模型,用于指导腹腔镜重复肝切除 (LRLR) 的指示. 该模型确定了前期腹腔镜手术和瘤位置等关键因素,有助于选择合适的候选人并降低开放转换风险.
科学领域:
- 肝胆道手术 肝胆道手术
- 最少侵入性的手术
- 机器学习在医学中的应用
背景情况:
- laparoscopic重复肝切除 (LRLR) 在技术上要求很高,需要改进患者选择标准.
- 目前的难度评分系统不足以指导LRLR指示.
- 识别与开放转换 (OC) 相关的因素对于优化LRLR结果至关重要.
研究的目的:
- 为LRLR开发基于机器学习的指示模型.
- 为了确定在LRLR期间开放转换 (OC) 的预测因素.
- 提高患者选择LRLR手术的可能性.
主要方法:
- 对221名接受重复肝切除术 (2017-2021) 的患者进行了回顾性分析.
- 使用随机森林,SVM,XGB和物流回归的指示模型的开发.
- 对模型预测性能的比较分析和OC风险因素的识别.
主要成果:
- 指示模型显示了适度的预测能力 (随机森林AUC=0.779).
- 以前的腹腔镜方法,分段切除术和左侧瘤位置是显著的变量.
- 前两次腹部手术是开放转换的唯一独立风险因素 (OR 6.56).
结论:
- 机器学习和物流回归模型为LRLR指示提供了适度的预测能力.
- 成功LRLR的关键因素包括先前的腹腔镜治疗方法,分段切除术和左侧瘤位置.
- 开发的模型有助于选择适合LRLR的候选者,可能减少开放转换.
