预测乳房重建中的并发症:机器学习模型的外部验证
Anne M Meyer1, Hyung Bae Kim2, Jin Sup Eom2
1University of Kansas, Department of Plastic and Reconstructive Surgery, 3901 Rainbow Boulevard, Kansas City, KS 66160, USA.
概括
一个机器学习模型准确地预测了乳头节省乳房切除术 (NSM) 后的乳头 - 乳房复合性亡在一个新的患者群体中. 这个工具可以帮助个性化风险评估考虑NSM与乳房重建的患者.
科学领域:
- 在瘤学瘤学.
- 整形外科 整形外科 整形外科
- 医疗信息学 医疗信息学
背景情况:
- 乳头节约性乳房切除术 (NSM) 与即时植入式乳房重建提供了美学和心理社会的好处.
- 乳头-腹膜复合体 (NAC) 亡是NSM之后的一个重大风险.
- 之前已经开发了一个机器学习 (ML) 模型来预测NAC缩.
研究的目的:
- 为了外部验证先前开发的ML模型来预测NAC缩.
- 评估模型在接受NSM并立即进行乳房重建的新患者队列中的表现.
主要方法:
- 对388名接受NSM并立即进行乳房重建的患者进行了回顾性队列研究.
- 收集的人口,瘤和手术数据.
- 应用了经过验证的随机森林ML模型来预测NAC缩,并使用准确度,AUC-ROC,灵敏度和特异性来评估性能.
主要成果:
- 19名患者 (4.9%) 经历了NAC缩.
- 风险因素包括年龄较大,BMI较高,活跃吸烟以及乳腺切除样本重量较大.
- ML模型实现了96%的预测准确度和AUC-ROC为0.70,表明了中度的区分能力.
结论:
- 外部验证的ML模型准确地预测了不同患者群体中的NAC缩.
- 该模型显示了个性化风险评估在NSM候选人的潜力.
- 建议在多种不同人群中进一步验证.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
