使用机器学习和三倍/四倍D分数预测体外冲击波石的结果
Mucahit Gelmis1, Sina Kardas1, Ali Ayten1
1Department of Urology, Gaziosmanpasa Training and Research Hospital, Istanbul, Turkiye.
概括
四倍D得分与机器学习相结合, 特别是随机森林, 准确地预测体外冲击波石术后的无石头结果. 这种整合改善了对结石的治疗策略选择.
科学领域:
- 尿道病学
- 医学成像
- 计算医学
背景情况:
- 外体冲击波石化术 (ESWL) 是对结石的常见手术.
- 预测ESWL后无结石的结果对于治疗成功至关重要.
- 现有的评分系统可能在预测准确性方面存在局限性.
研究的目的:
- 对ESWL后无石头结果的机器学习 (ML) 模型集成的三D和四D得分的预测性能进行评估.
- 在预测ESWL成功时,比较不同ML模型 (随机森林,后勤回归,神经网络) 的性能.
- 确定影响ESWL结果的关键预测因素.
主要方法:
- 一项观察性研究分析了309名接受ESWL的患者.
- 根据治疗后的成像,患者被分为无结石或无结石.
- 训练和测试了三种ML模型 (随机森林,逻辑回归,神经网络),使用准确度,AUC,精度,回忆和F1得分来评估性能.
主要成果:
- 与三倍D得分相比,四倍D得分显示出更高的预测能力 (AUC: 0. 724).
- 随机森林 (RF) 获得了最高准确度 (82. 9%,AUC: 0. 91),其次是神经网络 (NN) 和后勤回归 (LR).
- 重要的预测因素包括石头密度,体积,皮肤到石头的距离 (SSD) 和四倍D分数.
结论:
- 整合四倍D得分与ML模型,特别是RF,显著提高ESWL结果的预测.
- 结合临床评分和计算智能可以优化患者选择和ESWL治疗策略.
- 建议进行前性研究以验证这些发现.
