实施机器学习模型来预测性别确认乳房切除并发症:估计性能和准确性

科学领域:

• 医疗信息学医学信息学
• 手术瘤学手术瘤学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 机器学习 (ML) 在医学中越来越多地用于患者选择和结果预测.
• 外科专业正在探索ML以优化外科手术和预测患者结果.

研究的目的:

• 开发,验证和比较ML算法,用于预测性别确认乳房切除术后的并发症.
• 在这种外科背景下评估各种ML模型的预测性能.

主要方法:

• 对性别确认乳腺切除术的回顾性分析.
• 训练和测试六个ML算法 (随机森林,K-最近邻居,XGBoost,神经网络,支持向量机,物流回归).
• 基于精度,灵敏度,特异性,PPV,NPV和AUC的模型的比较.

主要成果:

• 随机森林 (RF) 和K-最近的邻居实现了最高的准确性 (92.6%).
• 射频表现出最高的AUC (0.904) 和优异的特异性 (100%).
• 几种模型显示出强大的正预测值 (PPV) 和负预测值 (NPV).

结论:

• ML算法,特别是RF,显示出预测性别确认乳房切除并发症的巨大潜力.
• 这些预测能力可以帮助外科医生选择和管理患者.
• 在这个领域进一步应用ML可能会提高外科手术的结果.