"预测减少乳房整形的切除重量:使用机器学习的多机构回顾性分析"

科学领域:

• 整形外科 整形外科 整形外科
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 之前的单一机构研究表明,机器学习 (ML) 准确地预测了使用手术前的人类测量变量的减小乳房整形 (RM) 切除重量.
• 施努尔尺度是目前用于预测切除重量的标准,但其准确性和通用性可能有限.

研究的目的:

• 评估ML和回归建模,以预测RM切除重量在多样化的多机构患者群体中.
• 将ML和回归模型的准确性与Schnur尺度进行比较,以预测个体和总乳房切除重量.

主要方法:

• 一项多机构的回顾性研究包括了635名接受RM因巨性肌肉修复的患者 (2017-2022年).
• 手术前的变量包括身体表面积 (BSA),身体质量指数 (BMI),胸部到乳头 (SN-N) 和乳头到乳房内 (N-IMF).
• 七个ML和回归模型被评估用于预测切除重量,报告了平均绝对误差 (MAE).

主要成果:

• 研究人口的平均年龄为38.5岁,平均BMI为32.8公斤/平方米,平均BSA为2.0平方米.
• 手术前的BMI,SN-N,N-IMF和种族/种族是切除体重的重要预测因素.
• 在七种模型中,六种模型显示MAE低于施努尔尺度;弹性净回归为单个和总切除重量产生了最低的MAE.

结论:

• 与施努尔尺度相比,ML和回归模型在预测RM切除重量方面表现出更高的准确性.
• 这些发现支持ML和回归建模作为精确和可通用的替代方案,以施努尔尺度在多机构设置.