基于机器学习的预测,使用患者的临床数据,人口统计和CT发现来预测尿病的复发

科学领域:

• 医疗信息学 医疗信息学
• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 人工智能的人工智能

背景情况:

• 尿路结石病,或尿路结石病,涉及到不同的结石呈现.
• 早期诊断尿病对于有效治疗和预防并发症至关重要.
• 预测复发有助于积极的患者管理和干预.

研究的目的:

• 开发和评估一种机器学习 (ML) 方法,用于预测尿病复发.
• 为了确定最佳的ML分类器来预测尿路结石疾病的复发.
• 为早期检测尿病复发提供临床适用工具.

主要方法:

• 利用了三年来4,246名患者的临床数据,人口统计和CT发现.
• 采用了三个阶段的方法:数据工程,ML模型开发和性能评估.
• 通过ROC分析,校准和决策曲线分析评估了六个ML分类器.

主要成果:

• 随机森林在预测尿病复发方面表现最好.
• 实现了0.64的ROC曲线下的面积 (AUC),具有高灵敏度 (0.87) 和正预测值 (0.84).
• 交叉验证证实随机森林的优异性能 (AUC 0.63,灵敏度 0.90,PPV 0.83) 与良好的校准 (布赖尔分数 0.18).

结论:

• 成功开发了一种用于预测尿病复发的实际ML应用程序.
• ML模型提供了临床上可接受的准确性,优于传统的评分系统.
• 这种方法促进了尿路结石病患者的及时干预和个性化管理.