在经过基于机器学习的跨动脉化学栓塞的患者中影响后栓塞发烧的因素:一项回顾性研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 栓塞后发烧是跨动脉化学栓塞 (TACE) 的常见并发症.
• 目前,没有确立的框架来预测血栓塞后发烧.
• 预测因素可能包括人口统计,临床,实验室和放射学数据.

研究的目的:

• 开发和验证基于机器学习的预测模型,用于TACE后的栓塞后发烧.
• 为了确定 posembolization 发烧的关键临床,实验室和放射学预测因素.

主要方法:

• 对接受TACE的1495名患者的数据进行了回顾性审查.
• 使用SPSS和Python开发了七个机器学习算法.
• 预测模型的验证,用于发血后发烧的发生.

主要成果:

• 一种组合方法在预测血栓后发烧方面表现最好.
• 积极的预测因素包括TACE AST后,CRP,ALT,胆红素,INR,血小板,TACE AST前,α-fetoprotein,血小板,利皮阿多尔/多克索鲁比辛量,以及瘤大小>5厘米.
• 负面预测因素包括TACE后的淋巴细胞/单细胞计数,专蛋白,TACE前的专蛋白/淋巴细胞计数,以及可能的肝细胞癌.

结论:

• 机器学习模型可以有效地预测TACE后的栓塞后发烧.
• 临床医生应在TACE前后监测各种患者数据,以评估发烧风险.
• 对于医疗保健专业人员来说,了解TACE的副作用和管理策略至关重要.