相关实验视频
Updated: Sep 8, 2025
12:10
Retzius-Sparing Robot-Assisted Radical Prostatectomy
Published on: May 19, 2022
8.0K
可解释的机器学习模型预测机器人辅助激进前列腺切除术后1年的 inguinal hernia 风险
Weidong Yu1,2,3,4, You Ma1,2,3,4, Junchao Wu1,2,3,4
1Department of Urology, the First Affiliated Hospital of Anhui Medical University, Anhui Medical University, Hefei, Anhui, People's Republic of China.
Journal of robotic surgery
|September 5, 2025
概括
一个新的机器学习模型预测机器人辅助激进前列腺切除术 (RARP) 后的 inguinal . 关键因素包括年龄,BMI,白蛋白,T阶段和之前的手术,使高风险前列腺癌患者能够及早介入.
科学领域:
- 泌尿外科
- 外科瘤学
- 医学的人工智能
背景情况:
- 在机器人辅助的急性前列腺切除术 (RARP) 后,椎是报告不足的并发症.
- 对于RARP后的 inguinal hernia 存在有限的预测工具,影响患者的生活质量.
- 需要准确的预测模型来识别高风险患者.
研究的目的:
- 开发和验证第一个机器学习 (ML) 模型,用于在RARP的一年内预测 inguinal hernia.
- 用可解释的AI (XAI) 来进行预测模型的临床解释.
- 确定RARP后 inguinal 的主要临床预测因素.
主要方法:
- 针对局部性前列腺癌进行RARP的652名患者的回顾性分析.
- 开发和评估五个ML算法使用70:30的训练测试分割.
- 使用LASSO回归来选择特征,使用SHAP来解释模型.
主要成果:
- 在XGBoost模型中,预测 inguinal 的AUC值为0. 833 (验证) 和0. 791 (测试).
- 确定了关键预测因素:年龄,BMI,手术前白蛋白,T阶段,以及腹部手术史.
- 该模型提供了对风险因素的可解释性见解.
结论:
- 建立了第一个基于ML的预测模型,用于RARP后的 inguinal hernia.
- 在识别有风险的患者方面,XGBoost模型表现出强大的性能.
- 可以为模型中识别的高风险个体提供个性化干预.
