使用MAP分数增强机器学习预测经过微型PCNL的培养阴性患者的术后发烧:一项回顾性队列研究
Rong Xu1, Jia-Jia Wang2, Wei-Hong Zhao1
1Department of Urology, Taizhou Hospital of Zhejiang Province Affiliated with Wenzhou Medical University, No.150, Ximen Street, Linhai, Taizhou, 317000, Zhejiang Province, China.
World journal of urology
|September 25, 2025
概括
结合梅奥粘性概率 (MAP) 评分和机器学习 (ML) 的新工具,可以准确地预测小皮透皮瘤切除术 (mini-PCNL) 后的术后发烧. 这有助于个性化的术前风险评估和临床决策.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 腎臟病學 (nephrology) 是一種醫學.
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 手术后发烧是皮肤透神经切除术 (PCNL) 后的常见并发症,即使是无菌的尿液培养.
- 现有的风险评估工具不足以预测这种特定患者群体的发烧.
- 术后发烧的准确预测对于患者管理和资源分配至关重要.
研究的目的:
- 开发一个预测模型,用于手术后发烧的患者接受迷你PCNL用无菌的手术前尿液培养.
- 整合梅奥粘着性概率 (MAP) 评分与机器学习 (ML) 技术,以提高风险预测.
- 创建一个可解释和临床适用的工具,用于术前风险评估.
主要方法:
- 追溯的队列研究,对730名患者进行了微型PCNL,使用无菌的尿液培养.
- 最小绝对缩小和选择运算符 (LASSO) 回归以确定关键预测变量.
- 开发和比较十个ML模型,使用Shapley增量扩展 (SHAP) 进行解释性;选择后勤回归 (LR) 为最佳.
- 部署用于临床使用的在线工具.
主要成果:
- 手术后发烧发生在17.4%的患者中.
- 该LR模型实现了高预测性能 (AUC=0.914,精度=92.1%,特异性=97.3%).
- 关键预测因素包括MAP分数≥3,糖尿病,女性性别,尿液白细胞阳性和低淋巴细胞-单细胞比率 (LMR).
- SHAP分析强调了MAP得分和尿液白细胞作为最有影响力的因素.
结论:
- 综合的MAP分数和ML模型显著改善了在患有无菌尿的患者中经过迷你PCNL后术后发烧的预测.
- 该LR模型提供了强大的预测效用,可解释性,并使个性化手术前风险评估.
- 开发的在线工具为个性化临床决策提供了实用和可访问的资源.
