使用机器学习模型预测腹腔镜手术后尿管皮层结口阻塞的并发症:一项回顾性队列研究

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 尿道关阻塞手术 (UPJO) 后的术后并发症可能会显著损害结果,并导致重复干预.
• 预测这些并发症对于优化患者管理和手术成功至关重要.

研究的目的:

• 开发和评估机器学习算法,用于预测手术后并发症,特别是尿路感染 (UTI) 和复发,在接受UPJO手术的患者中.
• 确定与这些不良事件相关的关键风险因素.

主要方法:

• 在2014年5月至2023年5月期间治疗的526名UPJO患者的回顾性分析.
• 使用多变量逻辑和拉索回归对风险因素的选.
• 使用各种机器学习算法开发预测模型,包括后勤回归 (LR),k-最近邻居 (KNN),支持矢量机 (SVM),决策树 (DT),随机森林 (RF),极端梯度增强 (XGB) 和神经网络 (NN).

主要成果:

• 确定的并发症风险因素包括手术前的尿路感染,结石,皮层厚度,收集系统状态,DJ支架移除时间,排水移除和白细胞计数.
• 后勤回归证明了整体并发症 (AUC=0.929),尿路感染 (AUC=0.941) 和复发 (AUC=0.894) 的强有力的预测性能.
• 这项研究是首次提出基于机器学习的预测模型,用于整体并发症,尿路感染和皮叶造形术后复发.

结论:

• 机器学习模型可以有效地预测手术后并发症,尿路感染和UPJO患者在手术干预之前的复发.
• 开发的物流回归模型显示出有希望的准确性,为临床决策提供了有价值的工具.
• 建议进行外部验证和多中心研究,以提高研究结果的概括性.