从手术前患者数据预测慢性鼻炎的手术结果:一种机器学习方法
Arun Raghavan1, Ethan Sage1, Mahdi Al-Ghezi1
1Division of Rhinology and Endoscopic Skull Base Surgery, Department of Otolaryngology: Head and Neck Surgery, University of Washington, Seattle, Washington, USA.
International forum of allergy & rhinology
|November 20, 2025
概括
机器学习模型可以预测慢性鼻炎 (CRS) 患者内镜外科手术 (ESS) 的结果. 整体模型准确地识别了可能从ESS中受益的患者,帮助临床决策.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 慢性鼻炎 (CRS) 用内镜外科手术 (ESS) 治疗的结果有所变化.
- 在手术前预测ESS成功对于患者管理至关重要.
研究的目的:
- 评估机器学习模型 (MLMs) 以预测ESS后的临床重要差异最小值 (MCID).
- 为了确定影响ESS结果的手术前因素在CRS患者.
主要方法:
- 经过培训和测试的MLM使用了242名接受初级ESS治疗的CRS患者的手术前数据.
- 包括59个手术前预测因素和使用K折交叉验证的优化模型.
- 将两个MLM (Ensemble,XGBoost) 与后勤回归 (LR) 进行比较.
主要成果:
- 集团MLM表现出优异的区分性能 (AUC0.89) 和准确性 (87.8%).
- 关键预测因素包括年龄,SNOT-22,PHQ-2分数,鼻腔阻塞和面部疼痛.
- 集体和LR模型实现了高特异性 (93.3%),而XGBoost显示了更高的灵敏度 (97.1%).
结论:
- 集团MLM准确地预测了ESS后可能达到MCID的患者.
- 这个模型可以帮助临床决策,为ESS选择合适的候选人.
- 建议在多中心队列中进行进一步验证,以获得广泛的临床采用.
