一种基于机器学习的创新算法,用于诊断儿科卵巢扭曲
Asya Eylem Boztas1, Efe Sencan2, Ayse Demet Payza1
1Health Sciences University, Dr. Behcet Uz Pediatric Diseases and Surgery Training and Research Hospital, Department of Pediatric Surgery, Ismet Kaptan Mh. Sezer Dogan Sk. No:11 Konak, Izmir, Turkey.
Journal of pediatric surgery
|June 18, 2025
概括
一个新的机器学习算法使用体检,超声波和实验室结果准确诊断儿科卵巢扭曲. 这种工具的准确度超过98%,提高了这种关键病情的诊断能力.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 机器学习在医疗保健中的应用
- 儿科外科手术 儿科外科手术
背景情况:
- 卵巢扭曲是儿童的妇科紧急情况.
- 准确及时诊断对于保持卵巢功能至关重要.
- 当前的诊断方法可能具有挑战性,需要改进方法.
研究的目的:
- 开发一种机器学习 (ML) 算法,用于诊断儿科卵巢扭曲.
- 将体检,超声波发现和实验室标记物整合到诊断模型中.
- 为了在区分卵巢扭转与其他疾病方面实现高准确度.
主要方法:
- 70例卵巢扭曲病例和73例对照病例 (2013-2023) 的回顾性分析.
- 包括超声波发现,实验室值 (WBC,NLR,SII,SIRI,CRP) 和临床状态.
- 使用5倍交叉验证开发和评估监督的ML算法 (决策树,随机森林,LightGBM).
主要成果:
- 恶心/吐和症状持续时间是显著的预测因素 (p < 0.05).
- 增加的WBC,NLR,SII,SIRI和CRP都非常显著 (p < 0.001,p < 0.05).
- 卵巢尺寸比率,媒介化,卵泡环标志和自由液体等超声波发现是显著的 (p < 0.001).
- 决策树模型实现了98%的准确性,98%的F1得分和100%的特异性.
结论:
- 该研究开发了第一个ML算法,整合了儿科卵巢扭曲的临床,实验室和超声波数据.
- 该算法显示了高的诊断准确性 (>98%).
- 这种ML方法为改善儿科卵巢扭曲的诊断提供了一个有希望的工具.
