使用人工智能技术开发和验证小肠全长预测算法,用于减肥手术
José Fernando Trebolle1, Jorge Solano Murillo2, Jesús Lobo Poyo3
1Servicio de Cirugía General y de Aparato Digestivo, Hospital Royo Villanova, Zaragoza, Spain.
Cirugia espanola
|June 7, 2025
概括
使用机器学习的新预测模型可以估计小肠的长度,用于个性化的腹手术. 这种方法有助于为个别患者量身定制手术程序.
科学领域:
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
- 计算生物学 计算生物学
背景情况:
- 腹腔外科手术需要精确的解剖学知识,以适应患者的具体程序.
- 精确估计小肠长度对于手术规划至关重要.
研究的目的:
- 开发一个小肠全长的预测模型.
- 为了使减肥手术方法的个性化.
主要方法:
- 使用MinMaxScaler进行数据预处理和缩放.
- 无监督机器学习 (KMeans集群) 用于患者分层.
- 过量采样 (SMOTE) 和XGBoost分类用于预测建模.
主要成果:
- 确定了三个不同的集群 (低,中,高长度).
- XGBoost模型在集群中实现了不同的准确度和灵敏度 (例如,集群c2的准确度为86%,灵敏度为87%).
- 在单独的队列上验证表明模型性能具有中等的准确性和灵敏度.
结论:
- 一个用于小肠长度估计的预测算法是可行的.
- 集群和机器学习技术,包括XGBoost,适用.
- 模型性能可以通过更大的数据集和额外的变量来增强.
