使用机器学习预测儿童宫的手术干预:一个比较分析

科学领域:

• 医疗信息学 医疗信息学
• 机器学习在医学中的应用
• 儿科手术 儿科手术

背景情况:

• 儿科宫需要对治疗进行仔细评估,有时需要进行手术,但指示不清楚.
• 机器学习 (ML) 显示出在各种医疗领域提高诊断准确性的潜力.

研究的目的:

• 评估ML模型,用于预测儿科宫的手术干预.
• 将ML模型的性能与传统的物流回归进行比较.

主要方法:

• 55名患有宫的儿科患者 (2010-2024) 的回顾性分析.
• 六种预测模型的开发和比较:物流回归,随机森林,拉索,SVM,XGBoost和LightGBM.
• 使用AUC,准确性,精度,回忆和F1分数进行性能评估.

主要成果:

• 腹大小是最重要的预测手术需要的指标.
• XGBoost在逻辑回归上表现出更高的性能,具有更高的AUC,精度和回忆.
• 像中性粒细胞与淋巴细胞的比率和中性粒细胞数量的炎症标志物是关键的预测因素.

结论:

• 机器学习模型,特别是XGBoost,与后勤回归相比,为儿科宫提供了优越的预测能力.
• 这些模型增强了临床决策,减少了不必要的手术,并改善了患者的治疗结果.