基于机器学习的预测,使用患者的临床数据,人口统计和CT发现来预测尿病的复发
Hassan Homayoun1, Seyed Jalaleddin Mousavirad2, Leila Zareian Baghdadabad1
1Urology Research Center, Tehran University of Medical Sciences, Tehran, Iran.
机器学习模型可以预测尿病的复发. 随机森林实现了高精度,显示了临床应用的潜力,防止石头形成和并发症.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 尿路结石或尿路结石的形成,需要及时诊断以进行有效的治疗和预防并发症.
- 预测复发对于管理有结石病史的患者至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测尿病复发.
- 通过使用临床,人口和CT数据,确定最有效的ML分类器来预测尿病复发.
主要方法:
- 利用了三年来4246名患者的临床数据,人口统计和CT发现.
- 开发和评估了六个ML分类器,包括随机森林,使用火车/测试分割和k-fold交叉验证.
- 通过ROC曲线分析,校准分析和决策曲线分析评估模型性能.
主要成果:
- 随机森林表现最好,实现了0.64的ROC曲线下的面积 (AUC) 与火车/测试分割.
- K-fold交叉验证显示随机森林的AUC为0.63,灵敏度为0.90,正预测值为0.83.
- 随机森林模型表现出良好的校准,布赖尔得分为0.18.
结论:
- 机器学习提供了一种实际的方法,以临床上可接受的准确度预测尿病复发.
- 该研究强调了ML模型的潜力,特别是随机森林,以帮助在尿病管理的临床决策.
- 评估的ML模型比传统的评分系统更准确地预测尿病复发.
更多相关视频
07:45Estimation of Urinary Nanocrystals in Humans using Calcium Fluorophore Labeling and Nanoparticle Tracking Analysis
Published on: February 9, 2021
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
Urinary Tract Calculi I: Introduction
Urinary Tract Calculi II: Pathophysiology and Clinical Manifestations
Urinary Tract Calculi III: Medical Management
Urinary Tract Calculi IV: Nutrition Therapy and Prevention
Urinary Tract Calculi V: Nursing Management
Urinary Tract Calculi VI: Surgical Management
