利用人工智能:机器学习算法开发一个术前子宫内膜异位症预测模型
Danielle L Snyder1, Silvana Sidhom2, Corinne E Chatham1
1College of Medicine, University of Florida.
Journal of minimally invasive gynecology
|May 21, 2025
概括
机器学习模型可以使用临床数据预测子宫内膜异位症,识别早期诊断的关键症状,如疼痛和疼痛. 这有助于医疗保健提供者更快地识别和转诊患者.
科学领域:
- 妇科外科手术 妇科外科
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 子宫内膜异位症的诊断通常涉及侵入性手术.
- 精确的术前预测子宫内膜异位症仍然是一个挑战.
- 临床特征有可能成为非侵入性诊断辅助工具.
研究的目的:
- 评估机器学习算法 (MLA) 用临床数据预测子宫内膜异位症.
- 开发一个准确和可解释的子宫内膜异位症手术前预测模型.
- 确定子宫内膜异位症的关键临床预测因素.
主要方法:
- 在第三级推中心进行了回顾性病例控制研究 (2011-2022年).
- 对788名年龄在18-55岁的女性进行手术的209个临床特征的分析.
- XGBoost MLA用于预测子宫内膜异位症,具有特征重要性的SHAP值.
主要成果:
- XGBoost模型实现了83%的准确性,96%的灵敏度和0.81的ROC-AUC.
- 发现的关键预测因素包括吐,痛,定期月经,经期不良症的严重程度和后部疼痛.
- 在83%的参与者中,病理学证实了子宫内膜异位症.
结论:
- 在使用临床特征进行术前预测子宫内膜异位症方面,MLAs显示出前景.
- 临床预测因素,如后部疼痛和疼痛特征,可以帮助早期识别.
- 对于一个广泛适用的工具,需要在不同的群体中进行进一步的验证.
