开发和验证基于机器学习的诺姆图,用于在胆结石患者中进行腹腔镜手术难度的术前预测

科学领域:

• 手术瘤学手术瘤学
• 医疗信息学 医疗信息学
• 炎症生物标志物 炎症生物标志物

背景情况:

• 腹腔镜手术难度的术前预测对于优化胆结石病患者的治疗结果至关重要.
• 系统性炎症反应指标,如C-反应蛋白与白蛋白比率 (CAR),越来越被认为是重要的因素.

研究的目的:

• 开发和验证胆结石患者腹腔镜外科手术困难的预测性诺米克图.
• 将先进的机器学习算法与临床和炎症标记器集成,以提高预测准确度.

主要方法:

• 对362名经过腹腔镜胆囊切除术 (LC) 的胆结石患者进行了回顾性分析.
• 使用机器学习 (LASSO回归,决策树,SVM) 和后勤回归开发一个名ogram.
• 包括CAR,白细胞计数 (WBC) 和胆囊壁厚等预测因素;通过ROC曲线和校准图表评估的性能.

主要成果:

• 机器学习模型的AUC为0.774 (训练集) 和0.863 (验证集).
• 校准图表表明预测和观察结果之间存在良好的一致性,平均绝对误差低 (0.035培训,0.05验证).

结论:

• 机器学习算法可以有效地创建一个强大的名图来预测腹腔镜手术难度.
• 开发的诺米图,整合了临床和炎症标志物,作为一个有价值的工具,用于手术前的手术规划和改善患者护理.