一种机器学习方法用于使用尿液的红外光谱进行子宫内膜异位症查

科学领域:

• 妇科条件 妇科条件
• 医学诊断 医学诊断 医学诊断
• 频谱学是一种光谱学.

背景情况:

• 由于非特异性症状,子宫内膜异位症的诊断具有挑战性.
• 目前的诊断方法可能涉及延迟和侵入性手术.
• 需要一种非侵入性查方法来改善早期检测.

研究的目的:

• 开发和评估一种基于机器学习 (ML) 的非侵入性尿液测试,用于子宫内膜异位症查.
• 使用减弱总反射里埃变换红外光谱 (ATR-FTIR) 进行快速分析.
• 评估该测试在减少诊断延迟和医疗保健成本方面的潜力.

主要方法:

• 招募了302名有症状的患者;100名 (50名子宫内膜异位症阳性,50名阴性) 在排除后被纳入.
• 使用ATR-FTIR光谱学分析了自己收集的尿样.
• 使用光谱数据开发了两个ML算法 (灵敏度调整和特异性调整).

主要成果:

• 灵敏度调整算法实现了93%的灵敏度和57%的特异性.
• 精度调整算法实现了93%的特异性和27%的灵敏性.
• 灵敏度调节的测试使不必要的MRI转诊减少了42%,并提供了当天的结果 (40秒/复制).

结论:

• 这项概念验证研究表明了基于尿液的快速ML测试的临床潜力.
• 该测试可能有助于减少子宫内膜异位症的诊断延迟和成像成本.
• 计划在更大的多中心队列中进行进一步验证,以提高稳定性.