机器学习模型在预测丸扭曲后的生存能力:一个概念验证研究的研究

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
• 手术决策支持手术决策支持

背景情况:

• 丸扭曲的管理往往依赖于主观的临床评估.
• 对扭后丸活力的客观预测对于切除术的决定至关重要.
• 保持丸辅酶比率>80%是一个关键的生存能力指标.

研究的目的:

• 评估机器学习 (ML) 模型,以客观地预测丸扭曲后的生存能力.
• 确定可以指导切除术决策的ML模型,旨在保持>80%的对酶体比率.
• 评估ML模型的疗效,无论最初的呈现和手术时间如何.

主要方法:

• 对患者进行扭曲和双边兰花术的前性研究 (2020-2024年).
• 使用后勤回归,k-最近邻居 (k-NN) 和决策树ML模型.
• 使用随访超声波 (6-12个月) 评估模型精度,回忆和AUC.

主要成果:

• 决策树模型达到90.5%的准确性;回归和k-NN模型分别显示了82.7%和81.4%的准确性.
• 早期手术干预 (<6小时) 导致丸生存率达到100% (p=0.001).
• 青春期后的年龄与57.1%的生存率相关 (p=0.041).

结论:

• ML模型提供了一个可行的,客观的工具,以加强丸扭曲管理的临床决策.
• 这些模型可以通过提供基于数据的可行性预测来帮助保护丸功能.
• 建议使用更大的数据集进行进一步验证,以完善ML模型的性能.