人工智能风险预测工具用于全塑性乳房重建

科学领域:

• 整形外科 整形外科 整形外科
• 生物医学工程 生物医学工程
• 在医疗保健中的数据科学.

背景情况:

• 使用组织扩展器 (TE) 进行乳房重建的准确风险预测对于患者咨询和共享决策至关重要.
• 全塑性乳房重建涉及影响患者结果的复杂因素.
• 开发强大的预测模型可以优化手术规划和患者管理.

研究的目的:

• 开发和评估传统的统计和机器学习 (ML) 模型,用于预测全塑性乳房重建中的并发症.
• 将ML模型的性能与风险预测中的传统统计方法进行比较.
• 为了确定并发症的关键预测因素,如TE损失,感染和血清瘤.

主要方法:

• 追溯收集患者数据,手术技术和并发症的妇女接受立即TE安置 (2017-2023).
• 开发多变量逻辑回归和ML模型来预测TE损失,感染和血清.
• 使用十倍交叉验证和超参数调整优化ML模型;通过AUC,灵敏度,特异性和Brier分数进行评估.

主要成果:

• 分析了6,513名4046名妇女的即时TE安置情况;并发症率:TE损失 (7.6%),感染 (10%),血清瘤 (11.5%).
• 与传统回归 (AUC 0.63-0.69) 相比,ML模型实现了更高的预测准确度 (AUC 0.71-0.73).
• 在SHAP分析中,BMI,胸前位置和化疗被确定为重要的预测因素;模型被整合到nomograms和web应用程序中.

结论:

• 开发了准确的风险预测工具,包括名图和ML模型,用于所有塑性乳腺重建并发症.
• 这些发现支持将统计和ML分析整合到手术前评估中,以实现个性化,数据驱动的患者护理.
• 加强风险预测可以改善乳房重建手术的结果和患者满意度.