Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Silvia Capuzzi1, Federico Baldisseri2, Antonella Cacchione3

  • 1Medicina Predittiva e Preventiva, Ospedale Pediatrico Bambino Gesù - Irccs, Roma.

Recenti progressi in medicina
|October 2, 2025
PubMed
概括
此摘要是机器生成的。

这项研究开发了一个人工智能模型来预测癌症儿童的外科等待时间. 该模型准确地分类紧急情况并估计等待时间,有助于手术规划和资源分配.

相关实验视频

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Needle-track metastasis in diffuse intrinsic pontine glioma: Need for a standardized surgical strategy?

Neuro-oncology advances·2026
Same author

Pediatric High-Grade Gliomas and Cancer Predisposition Syndromes: A Retrospective Study.

HGG advances·2026
Same author

Mapping integrated care for brain tumour-related epilepsy in the Italian RIN-IRCCS network.

Neurological sciences : official journal of the Italian Neurological Society and of the Italian Society of Clinical Neurophysiology·2026
Same author

Ubiquitin-dependent degradation of p27Kip1 and p21Waf1/Cip1 by AMBRA1 ensures G1 and S phase progression and limits replication stress.

Nucleic acids research·2026
Same author

Perceptions of challenges in clinical pediatric research: a survey of Italian pediatricians.

Italian journal of pediatrics·2026
Same author

Brain tumor susceptibility: From genetic predisposition syndromes to extended characterization of genomic determinants.

Critical reviews in oncology/hematology·2026

科学领域:

  • 医疗保健中的人工智能
  • 手术规划和优化 - 手术规划和优化
  • 儿科瘤学 儿科瘤学

背景情况:

  • 在儿科瘤学中,手术等待时间对于治疗疗效和患者的治疗结果至关重要.
  • 准确预测外科等待时间对于有效的资源配置和临床决策至关重要.
  • 目前用于预测外科等待时间的方法可能缺乏精度,特别是在复杂的儿科瘤病例中.

研究的目的:

  • 开发和验证基于人工智能 (AI) 的两相模型,用于预测儿科瘤患者的外科等待时间.
  • 为了对儿科瘤患者的手术程序的紧急性进行分类.
  • 估计这个患者队伍中紧急病例的外科等待时间.

主要方法:

  • 通过使用来自1478名儿科瘤患者和6145次手术的真实世界数据,开发了一个双相AI模型.
  • 第1阶段涉及对手术紧急情况的分类,而第二阶段估计了紧急病例的等待时间.
  • 随机森林算法被评价为主要的机器学习方法,用于特征解释性的SHAP分析.

主要成果:

  • 随机森林算法在手术紧急性分类和等待时间估计方面都表现出卓越的性能.
  • SHAP分析揭示了影响两个模型阶段的一致的关键预测特征.
  • 人工智能模型的预测能力在大量数据集上得到了验证,表明了强度.

结论:

  • 基于人工智能的模型可以显著改善儿童瘤学手术等待时间的预测.
  • 开发的模型支持增强的手术规划,优化资源配置和明智的临床决策.
  • 这种方法对简化外科手术工作流程和改善儿科瘤学患者护理途径充满希望.