在癌手术中使用人工智能驱动的手术前风险评估:机器学习模型的比较可行性研究
Julia Mühlbauer1, Luise Gottstein1, Luisa Egen1,2,3
1Department of Urology and Urosurgery, University Medical Center Mannheim Medical Faculty Mannheim at Heidelberg University Germany.
BJUI compass
|September 29, 2025
概括
机器学习模型,特别是神经网络,可以有效地预测瘤手术后的重大并发症和急性损伤. 与传统方法相比,这些模型提供了更好的风险分层,有助于患者的护理.
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) 是一種醫學專業.
- 医疗信息学 医疗信息学
背景情况:
- 术前风险分层对于接受脏瘤手术的患者的管理至关重要.
- 经切除术后主要并发症 (MCs) 和急性损伤 (AKIs) 的预测模型缺乏.
- 需要与传统的物流回归模型进行比较.
研究的目的:
- 开发和比较机器学习 (ML) 模型,用于预测部分 (PN) 和彻底切除术 (RN) 后的MC和AKI.
- 根据后勤回归来评估各种ML模型的性能.
主要方法:
- 利用了963名接受PN或RN的患者的数据.
- 包括30个变量用于模型开发.
- 随机森林,支向量机器,随机梯度提升,神经网络和弹性净物流回归的比较.
主要成果:
- 神经网络 (NN) 在MC和AKI方面表现出卓越的表现.
- 对于MC的NN模型:AUROC 0.762,灵敏度为0.86.
- 对AKI的NN模型:AUROC 0.717,灵敏度为0.82.
- 所有ML模型的性能都超过了弹性净物流回归.
结论:
- ML模型,特别是NNs,为脏瘤手术提供了有价值的手术前风险分层.
- 推使用NN来预测MC和AKI.
- 公共可用的模型提高了可复制性.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
490
