预测皮肤穿神经切除术 (PCNL) 患者的操作时间:一种机器学习方法
Owais Ghammaz1, Rami Alazab2, Nabil Ardah1
1Faculty of Medicine, Jordan University of Science and Technology, Irbid, Jordan.
Urologia
|May 17, 2025
概括
实现无石头状态显著减少皮肤穿神经切除术 (PCNL) 操作时间. 石头负担和性别也是程序长度的关键预测因素,根据机器学习模型的识别.
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
- 手术结果研究研究.
背景情况:
- 穿皮石切除术 (PCNL) 是一种常见的石切除手术.
- 预测和理解影响PCNL操作时间的因素对于手术规划和资源分配至关重要.
研究的目的:
- 为了确定影响皮肤瘤切除术 (PCNL) 程序持续时间的关键因素.
- 开发和评估用于预测PCNL运行时间的机器学习模型.
主要方法:
- 这是一项对352名接受PCNL.患者的回顾性队列研究.
- 利用机器学习算法 (随机森林,AdaBoost,XGBoost,物流回归) 来预测操作时间.
- 采用数据标准化和SMOTE用于不平衡的数据,以80/20的火车测试分成.
主要成果:
- 石头负担,性别和水解与较长的PCNL运行时间有显著的相关性.
- 机器学习模型确定了无石头状态,石头负担和性别作为主要预测因素.
- 极端渐变增强分类器显示了最高的预测性能 (AUC = 0.789).
结论:
- 没有石头的状态,石头负担和性别是PCNL程序长度的关键决定因素.
- 实现无石头状态与显著减少的操作时间有关.
- 机器学习,特别是XGBoost,为手术规划和优化患者结果提供了宝贵的预测能力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
5.8K
09:21A Novel Dual-Modal Deep Learning Approach for Real-Time Removal of Hepatic Fluorescence in Indocyanine Green-Guided Laparoscopic Cholecystectomy
Published on: April 17, 2026
44
