尿道非瘤性脏检查 (UNIK):一种机器学习方法来解码良性病变

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 准确预测良性瘤对于怀疑细胞癌 (RCC) 的术前规划至关重要.
• 在手术前区分良性和恶性病变可以防止过度治疗,并指导临床决策.

研究的目的:

• 开发和验证U.N.I.K.,一种用于预测良性病变的机器学习 (ML) 模型.
• 为了比较ML算法的性能与逻辑回归 (LR) 对于这个预测任务.

主要方法:

• 使用了INMARC数据库对cT1ab-2ab瘤患者的数据.
• 评估了ML算法,包括随机森林,极端梯度增强 (XGBoost) 和光梯度增强机器 (LightGBM).
• 使用接收器操作特征 (ROC) 曲线分析和曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 分析了3093名患者;7.1%的人具有良性组织学.
• 后勤回归确定了重要的预测因子 (例如,女性性别,糖尿病,瘤大小,CRP,,并发症指数,囊性病变,De Ritis比率,蛋白尿,卡诺夫斯基得分) 的AUC为0.89.
• XGBoost以0.94的AUC表现出卓越的性能,形成了UNIK的基础. 一个模型.模型.

结论:

• 开发了U.N.I.K.,一个高度准确的护理点模型,用于预测良性脏瘤.
• 在U.N.I.K.中. 具有提高临床决策能力的潜力.
• 该模型可能有助于降低瘤外科治疗过度的发生率.