激光治疗患者面部痕改善的预后因素和预测模型:基于机器学习的回顾性队列研究
Ting Xie1, Xuan Dang1, Yan Jiao2
1Department of Blood Transfusion, Xijing Hospital, Fourth Military Medical University, Xi'an, Shaanxi, China.
Medicine
|November 15, 2025
概括
机器学习通过分析患者因素,准确地预测面部痕激光治疗的成功. 这种方法有助于优化个性化治疗策略,以获得更好的结果.
科学领域:
- 皮肤病学和医学美学
- 人工智能在医学中的应用
- 生物统计学 生物统计学
背景情况:
- 面部痕是创伤的常见后果,影响美学和自尊.
- 激光治疗是面部痕的主要治疗方法,但结果是可变的.
- 预测治疗成功对于患者管理和资源分配至关重要.
研究的目的:
- 确定影响面部痕激光治疗结果的关键预后因素.
- 为这些结果开发和验证基于机器学习的预测模型.
- 通过可解释的AI模型来增强临床决策.
主要方法:
- 对1456名接受面部痕激光治疗的患者进行了回顾性队列研究 (2014-2024).
- 使用7个机器学习算法开发预测模型,包括XGBoost,具有21个潜在预测器.
- 模型性能使用ROC曲线,决策曲线分析和SHAP进行解释性评估.
主要成果:
- 单变量和多变量分析确定了8个重要的预测因素,特别是防晒和护理持续时间.
- 在XGBoost模型实现了高预测性能:AUC=0.859,布赖尔得分=0.137,PR-AUC=0.721.
- 沙普利添加式解释 (SHAP) 提供了清晰的全球和本地模型解释.
结论:
- 机器学习为预测面部痕激光治疗结果提供了一个强大的框架.
- 可解释的人工智能,就像SHAP与XGBoost一样,使临床医生能够个性化治疗计划.
- 这种预测能力可以导致优化治疗策略和改善患者结果.
