基于机器学习的预测,在体外冲击波 lithotripsy 后的无石头状态

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 身体外冲击波石 (SWL) 是对结石的常见治疗方法.
• 在SWL之后预测无石头 (SF) 结果对于患者管理至关重要.
• 识别关键预测因素可以优化SWL治疗的成功.

研究的目的:

• 开发和验证一种机器学习模型,用于预测SWL后的SF结果.
• 使用可解释的人工智能识别SWL成功的显著临床和石头相关预测因素.
• 为SWL患者增强个性化治疗策略.

主要方法:

• 对369名接受SWL治疗的患者进行了回顾性分析.
• 一个轻度梯度增强机 (LightGBM) 模型的开发.
• 用了SHapley添加式扩展 (SHAP) 进行特征重要性和SMOTETomek用于类不平衡.

主要成果:

• 轻GBM模型实现了82.88%的准确性和0.651 AUC.
• 确定了顶级预测因素:平均石头大小,尿道石头和石头负担.
• 阶级平衡突出显示高血压和年龄是影响因素;SHAP显示非线性贡献.

结论:

• 使用SHAP解释的机器学习有效地识别了SWL结果预测因素.
• 阶级不平衡是一个挑战,限制了对SF案件的敏感性.
• 通过额外的数据进一步细化可能会提高预测准确度,并个性化SWL治疗计划.