基于多种机器学习模型的穿皮瘤切除后无结石率的预测值

科学领域:

• 尿道病学
• 医疗信息学
• 机器学习

背景情况:

• 透皮瘤切除术 (PCNL) 是治疗结石的一个关键手术.
• 预测PCNL后的无结石率对于患者管理和治疗规划至关重要.
• 机器学习 (ML) 提供了提高泌尿器科程序预测准确性的潜力.

研究的目的:

• 开发和比较三种ML模型 (GBDT,RF,XGBoost) 以预测PCNL后的无结石率.
• 评估这些ML模型的预测性能和临床实用性.
• 使用可解释的AI方法确定影响PCNL结果的关键临床因素.

主要方法:

• 对接受PCNL的160名患者的回顾性分析,分为训练 (70%) 和测试 (30%) 组.
• 使用临床数据开发GBDT,RF和XGBoost模型.
• 使用AUC,精度,灵敏度,特异性,F1分数,SHAP和DCA评估模型性能.

主要成果:

• 没有石头的总比率为70.6%.
• 重要的预测因素包括石头数量,直径,CT值,之前的手术史,位置和形状.
• GBDT模型表现最好 (AUC:0.836,精度:0.854),超过了RF和XGBoost.
• SHAP分析强调石头数量和CT值是关键的预测特征.

结论:

• ML模型,特别是GBDT,可以准确地预测PCNL后的无石头率.
• GBDT模型有助于识别可能取得成功的PCNL结果的患者.
• 这些模型可以帮助临床医生做出治疗尿路结石的明智决定.