机器学习算法用于预测石头残留物和在横向部皮肤穿透性nephrolithotomy后的复发

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 穿皮瘤切除术 (PCNL) 是对脏和上尿路结石的常见手术.
• 预测PCNL后的石头残留和复发对于患者管理至关重要.
• 当前的预测方法可能缺乏精度,需要先进的分析方法.

研究的目的:

• 开发和评估机器学习模型,用于预测PCNL后的残留和复发性石头.
• 在这个预测任务中比较后勤回归,随机森林和XGBoost算法的性能.
• 评估人工智能驱动的预测在指导泌尿病治疗决策中的临床实用性.

主要方法:

• 对271名接受PCNL治疗的患者进行结石和上尿路结石的回顾性分析.
• 数据分为培训 (n=217) 和测试 (n=54) 集.
• 使用后勤回归,随机森林和XGBoost算法开发预测模型.
• 模型性能评估使用准确度,精度,F1得分和曲线下的面积 (AUC).

主要成果:

• XGBoost模型在预测石头残留 (AUC:0.87,准确率:86.8%) 和复发 (AUC:0.68,准确率:72.4%) 中表现出卓越的性能.
• 在石头残留 (0.866) 和复发 (0.72) 方面,XGBoost获得了最高的F1分数.
• 所有测试的机器学习模型都显示出预测PCNL后石头残留和复发的潜力.

结论:

• 机器学习模型,特别是XGBoost,可以有效地预测PCNL后的残留和复发性石头.
• 这些基于人工智能的预测模型为泌尿科医生提供了宝贵的支持,帮助他们做出及时和明智的治疗决定.
• 进一步验证和将这些模型纳入临床实践可以改善患者在石头疾病管理方面的结果.