一个基于机器学习的预测模型,用于真空辅助乳腺活检中的并发症风险

科学领域:

• 医学成像和干预性放射学.
• 机器学习在医疗保健中的应用
• 乳腺瘤学和诊断研究

背景情况:

• 超声导向真空辅助乳腺活检 (VABB) 是良性乳腺病变的标准.
• 术后并发症,如伤和残留瘤仍然是临床挑战.
• 目前对VABB并发症的风险评估缺乏准确性.

研究的目的:

• 开发和验证机器学习模型,以预测VABB并发症.
• 提高术后不良事件风险评估的准确性.
• 加强对VABB手术的手术前规划和患者咨询.

主要方法:

• 对1064个VABB程序 (2017-2025) 的多中心回顾性研究.
• 开发了6个机器学习模型,使用了12个手术前变量.
• 随机森林算法在交叉验证和外部验证方面表现出卓越的性能.

主要成果:

• 机器学习模型在预测伤 (AUC 0.971,96.7%) 和手术持续时间方面取得了很高的准确性.
• 确定了关键预测因素:瘤大小,血流等级和距离胸部肌肉的距离.
• 模型证明了具有强有力的外部验证的概括性 (AUC 0.945).

结论:

• 一个经过临床验证的机器学习工具准确地预测了常见的VABB并发症,特别是伤.
• 纳入瘤和解剖学数据有助于减轻不良结果.
• 该模型可以提高手术决策和患者康复期望.