机器学习模型用于预测FANS的零碎片率和下极接入,在灵活的泌尿器官镜检查过程中 - - 一个EAU部分的内分泌学研究
Frédéric Panthier1,2,3,4,5, Daron Smith6,7, Olivier Traxer8,9,10,7
1Department of Urology, Westmoreland Street Hospital, and Clinical Microbiology, UCLH NHS Foundation Trust, London, UK. fredericpanthier@gmail.com.
World journal of urology
|July 6, 2025
概括
机器学习模型可以预测零碎片率和下极接入,在灵活的尿路透镜与吸收. 这些预测可以优化这种技术用于治疗结石的使用.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
背景情况:
- 灵活的吸收性尿路透镜 (FANS) 显示出在结石治疗中实现零碎片率的前景,特别是在较低的杆石中.
- 准确预测无石头状态和进入下极的准确性对于优化治疗结果至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测用吸收尿管接入 (FANS) 进行柔性尿管透视后的零碎片率 (ZFR).
- 预测使用FANS.进入下极 (LP) 的可行性.
主要方法:
- 分析了来自25个中心接受FURS与FANS的390名患者的前性数据.
- 训练和测试了八种机器学习模型,使用手术前数据预测ZFR和LP访问.
- ExtraTreesClassifier和RandomForestClassifier分别在ZFR和LP访问预测方面表现出卓越的性能.
主要成果:
- 在75.1%的案例中,FANS实现了下极接入,76.7%的整体ZFR在1个月的随访后.
- ExtraTreesClassifier实现了ZFR预测的最高准确度 (0.83).
- 随机森林分类器显示了最高的准确性 (0.86) 预测下极接入.
结论:
- 机器学习模型可以根据FANS的FURS手术前数据准确预测ZFR和下极接入.
- 这些预测模型可以帮助选择适合FANS的候选人,从而提高治疗效率.
