机器学习和前列腺癌中的尿失禁:体力活动和恢复模式的通用添加模型

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 前列腺癌治疗,特别是激进前列腺切除术,经常导致尿失禁 (UI).
• 管理前列腺切除术后的UI对于改善患者的健康相关生活质量至关重要.
• 该ASCAPE项目利用人工智能 (AI) 开发癌症患者护理解决方案.

研究的目的:

• 研究各种患者数据变量与激进前列腺切除术后尿失禁 (UI) 的发生/严重程度之间的关系.
• 通过ASCAPE项目的数据,识别UI的关键预测因素.
• 旨在为患有UI的前列腺癌患者提供AI驱动的个性化护理策略的开发信息.

主要方法:

• 使用通用增量模型 (GAM) 进行统计分析.
• 在12个月的时间内,使用QLQ-PR25问卷分析了患者报告的UI结果.
• 整合了可穿戴设备的客观数据与患者报告的数据.

主要成果:

• 确定了患者的年龄和并发症作为UI严重性的显著预测因素.
• 在研究的队列中,体力活动水平和UI严重程度之间没有显著的关联.
• 证明了将患者报告和客观可穿戴数据用于UI分析的实用性.

结论:

• 年龄和并发症是前列腺切除术后UI严重性的主要决定因素.
• 对失禁管理的个性化方法是必不可少的,考虑到个体患者的特征和康复轨迹.
• 由人工智能驱动的洞察力可以增强UI的前列腺癌幸存者护理计划的个性化.