相关实验视频

Updated: Jun 16, 2025

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

预测前列腺动脉栓塞的早期结果使用n-Butyl烯酸液体栓塞剂:一个机器学习研究

Burak Berksu Ozkara¹, David Bamshad¹, Ramita Gowda²

¹Department of Diagnostic, Molecular and Interventional Radiology, Icahn School of Medicine at Mount Sinai, New York, NY 10029, USA.

Diagnostics (Basel, Switzerland)

|June 13, 2025

概括

机器学习准确地预测在良性前列腺增生患者中前列腺动脉栓塞 (PAE) 的短期成功. 关键因素包括手术前的症状评分和栓塞量,使个性化治疗评估成为可能.

科学领域:

泌尿器科泌尿器科泌尿器科泌尿器科
干预性放射学干预性放射学
医疗信息学医疗信息学

背景情况:

前列腺动脉栓塞 (PAE) 是一种与良性前列腺增生 (BPH) 相关的下尿路症状的日益增长的治疗方法.
一部分患者在经过PAE后无法获得临床改善.
机器学习 (ML) 提供了预测PAE结果的潜力.

研究的目的:

开发和验证一种ML模型,用于预测PAE后的短期有利结果.
确定影响PAE成功的关键临床变量.

主要方法:

对109名用nBCA粘合剂进行PAE的患者进行了回顾性队列研究.
一种二进制分类模型预测,在7周内,国际前列腺症状评分 (IPSS) 减少了>9个点.
沙普利添加式解释 (SHAP) 确定了具有影响力的特征.

主要成果:

该ML模型实现了0.821的AUROC和0.851.85的AUPRC.
关键预测因素包括PAE前的IPSS,前期治疗,栓塞量,手术前的生活质量和年龄.
该模型展示了有希望的精度 (0.676) 和校准.

结论:

开发的ML模型显示了预测PAE早期结果的潜力.
可解释的ML模型可以支持精准医学,用于PAE的个性化风险评估.
这种方法可以优化BPH患者的治疗选择.

关键词:

在IPSS中,我们可以使用IPSS.人工智能的人工智能是人工智能.机器学习是机器学习.前列腺动脉栓塞前列腺动脉栓塞

更多相关视频

Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia

Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia

Published on: September 22, 2020

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

相关概念视频