相关实验视频
Updated: Jan 12, 2026
08:58
Development of a Uterosacral Ligament Suspension Rat Model
Published on: August 17, 2022
5.2K
通过机器学习和回归模型预测手术后压力尿失禁:开发和验证研究
Minna Su1, Shuyu Wang1, Xiaochun Liu1
1Gynecology and Obstetrics Department, Third Hospital of Shanxi Medical University, Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, No. 99 Longcheng Street, Xiaodian District, Taiyuan, 030000, China, 86 13934226668.
JMIR medical informatics
|November 3, 2025
概括
一个新的机器学习模型预测了骨盆器官缩手术后的压力尿失禁 (SUI). 支持矢量机 (SVM) 模型识别了风险因素,以指导对并发抗失禁程序的决策.
科学领域:
- 泌尿后科和康复性盆腔手术.
- 机器学习在医疗保健中的应用.
- 预测手术结果的预测建模.
背景情况:
- 盆腔器官脱落 (POP) 和压力尿失禁 (SUI) 经常同时存在.
- 经过POP手术后的SUI解决方案有所不同;一些患者出现de novo SUI.
- 临床决策关于同时进行抗失禁手术需要更好的预测工具.
研究的目的:
- 为了确定POP手术后SUI的风险因素.
- 开发和验证基于机器学习的术后SUI预测模型.
- 为在接受POP手术的患者中评估和预测SUI风险提供一个工具.
主要方法:
- 从经历过脱落手术的患者收集前性和后性数据.
- 对临床,实验室,泌尿动力学和超声波发现的分析.
- 使用拉索回归,随机森林,SVM,XGBoost,CART和物流回归的预测模型的开发.
主要成果:
- 分析了286名患者;其中91人患有术后SUI.
- 确定的危险因素包括手术前的SUI,冲动性尿失禁,泌尿动力学隐性SUI,抗失禁手术,生殖器中断和前腹.
- SVM模型显示了最佳的性能 (AUC 0.821培训,0.846验证).
结论:
- 开发了5个术后SUI预测模型,具有良好的内部验证.
- SVM模型是预测缩手术后SUI风险的一个有希望的工具.
- 需要进一步的外部验证;该模型可以指导对并发手术的决策.
