一个特定于人口的整体机器学习模型,用于预测澳门卵巢群体的边界或恶性瘤风险:一项多中心回顾性研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 准确的手术前分辨良性和恶性卵巢瘤对于患者的管理至关重要.
• 现有的预测工具在不同的医疗保健系统中可能具有有限的适用性.
• 需要针对特定人群和医疗保健数据量身定制的本地化模型.

研究的目的:

• 开发和验证用于预测边缘性或恶性卵巢质量的机器学习模型.
• 通过使用常规可用的临床数据,专门为澳门人口量身定制模型.
• 根据RMI-4等既定基准来评估模型的性能.

主要方法:

• 来自澳门两个主要医院的回顾和模拟前性队列 (n=496 + 95).
• 来自另一家医院的外部验证队列 (n=61).
• 使用LASSO回归的特征选择;用集体学习 (投票分类器) 开发模型;对RMI-4进行性能评估.

主要成果:

• 确定了年龄,更年期状态,5个超声波特征和7个实验室测试作为关键预测因素.
• 开发的整体模型在所有队列中实现了高预测性能 (AUC 0.923-0.951).
• 该模型显著优于RMI-4,并显示出卓越的临床实用性和可解释性.

结论:

• 在澳门开发了一种高度准确,可解释和可访问的机器学习模型,用于卵巢质量风险预测.
• 该模型有效地利用例行收集的临床数据,不需要改变工作流程.
• 这种方法最大限度地提高了特定卫生系统内的预测潜力,为临床医生提供了宝贵的工具.