极端软组织肉瘤重建Nomograms:一个临床放射学,机器学习驱动的术后结果预测器

科学领域:

• 整形瘤学 整形瘤学
• 手术瘤学手术瘤学
• 机器学习在医学中的应用

背景情况:

• 节约四肢软组织肉瘤 (eSTS) 切除在选择适当的伤口关闭技术方面存在挑战.
• 预测术后并发症对于优化患者的治疗结果和手术规划至关重要.

研究的目的:

• 开发和验证 Sarcoma重建诺米克图 (SARCON),这是一个机器学习工具,用于预测eSTS切除后的不良结果.
• 根据所选择的重建方式,提供对并发症的概率估计.

主要方法:

• 分析了316个节约四肢的eSTS切除术的回顾性队列,整合了临床和放射性数据.
• 机器学习分类器 (Logistic Regression with Lasso,Naïve Bayes,FasterRisk) 被训练来预测手术部位感染,伤口脱光,血清瘤和轻微/重大并发症.
• 使用交叉验证和专用测试集,严格评估模型性能.

主要成果:

• 使用拉索规范化的物流回归显示出卓越的性能,接收器操作员曲线下的面积从0.83到0.93.9不等.
• 该研究分析了包括手术部位感染 (12%),伤口脱光 (16%),血清瘤形成 (8.5%),轻微并发症 (34%) 和重大并发症 (25%) 在内的结果.
• 萨尔康成功地生成了预测这些不良事件的诺莫格拉姆.

结论:

• 萨尔康为外科医生提供了有价值的概率见解,了解与不同重建选择相关的潜在并发症.
• 该工具促进了知情决策,使得ESTS患者能够优化重建策略.
• 开发的诺姆图增强了预测和减轻术后不良事件的能力.