使用机器学习和可解释的人工智能,用于URS和激光石术的新型预测方法:来自FLEXOR国际数据库的结果
Carlotta Nedbal1,2,3, Vineet Gauhar4,5, Sairam Adithya6
1ASST Fatebenefratelli Sacco, Urology, Milan, Italy. carlottanedbal@gmail.com.
World journal of urology
|May 12, 2025
概括
机器学习算法准确地预测尿路透镜的结果,包括无石头状态和并发症. 这有助于个性化治疗规划和改善尿病患者的临床决策.
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
- 人工智能的人工智能
背景情况:
- 尿道透视 (URS) 是治疗尿病 (结石) 的常见手术.
- 预测URS的结果可以显著改善患者护理和资源配置.
- 目前的预测方法可能缺乏个性化治疗规划所需的精度.
研究的目的:
- 开发和验证机器学习 (ML) 算法,用于预测尿路透镜检查 (URS) 的结果.
- 确定影响无石头状态和术后并发症的关键因素.
- 增强尿病管理中的临床决策和个性化护理.
主要方法:
- 利用了FLEXOR数据库,包括6669名接受尿病治疗的患者 (2015-2023年).
- 训练有素的15ML算法分析手术前和手术后的数据,将其与结果相关联.
- 采用可解释的AI来识别影响预测准确性的关键特征.
主要成果:
- 额外树木分类器在预测无石头状态 (SFS) 中取得了81%的准确性.
- 确定了各种临床因素 (例如,石头特征,药物,范围类型) 和术后出血,损伤和发烧等结果之间的显著相关性.
- ML模型有效地预测了SFS,受年龄,石头直径和特定手术工具等因素的影响.
结论:
- 机器学习为使用现有患者数据准确预测URS结果提供了一个有价值的工具.
- 开发的ML模型在预测结果和风险方面表现强.
- 这项研究为创建可访问的预测工具奠定了基础,以指导尿病治疗的临床实践.
