在机器人辅助激进前列腺切除术中基于机器学习的术后结果预测:对758例病例的多变量分析

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 机器人辅助激进前列腺切除术 (RARP) 是局部前列腺癌的标准.
• 在RARP后预测手术后的结果仍然是一个临床挑战.
• 当前的风险分层系统在精度上有局限性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测关键的RARP后结果.
• 为了比较ML模型与传统风险分层系统 (D'Amico,CAPRA) 的性能.
• 提高前列腺癌患者的手术前咨询和治疗决策.

主要方法:

• 对758名接受RARP (2014-2018) 的患者进行了回顾性分析.
• 使用了手术前的变量 (PSA,格里森得分,临床阶段,IPSS) 和手术后的病理数据.
• 开发并验证了ML算法,将AUC与生物化学复发 (BCR) 的D'Amico和CAPRA系统进行比较.

主要成果:

• 使用手术前数据的ML模型实现了12个月BCR的AUC0.783,表现优于D'Amico (AUC0.692).
• 综合性术后ML模型实现了最佳性能 (AUC为12个月BCR的0.847,AUC为24个月BCR的0.863).
• 确定了关键的手术前预测因素:PSA,格里森得分≥8,临床阶段≥T2b.

结论:

• 机器学习模型在预测RARP结果方面明显优于传统系统.
• 基于ML的预测为患者提供了卓越的个性化风险评估.
• 这些模型可以指导治疗决策,并改善局部前列腺癌患者咨询.