内属学

机器学习是否可以正确预测用于肾脏疾病的激光碎石疗法的柔性输尿管镜检查结果？来自大型的内属学院中心的结果

背景和目标：医疗保健中机器学习（ML）的整合引起了人们的显着关注，因为它具有前所未有的增强患者护理和结果的机会。在这项研究中，我们根据术前特征培训了ML算法，以自动预测输尿管激光岩石疗法（URSL）的预后。方法：在7年期间，单个经验丰富的外科医生检索了用输尿管镜治疗的尿石病治疗的患者的数据。16个ML分类算法的算法经过培训，以研究术前特征和术后结局之间的相关性。评估的结果是无石的原发性（SFS）（SFS，定义为仅在内镜可视化和3 MO成像时仅存在<2 mm的石材碎片）和术后并发症。是根据预测合并和预测SF的最佳算法构建的合奏模型。然后，使用多任务神经网络研究了术后志术的同时预测，并使用可解释的人工智能（AI）来证明最佳模型的预测能力。关键发现和局限性：用于预测SF的集合ML模型的精度为93％，精度为87％。并发症主要与术前尿液培养（1.44）有关。逻辑回归表明，SFS受到总石负担的影响（0.34），术前支架的存在（0.106），术前尿液呈阳性（0.14）和石头位置（0.09）。可解释的AI结果强调了关键特征及其对输出的贡献。结论和临床意义：技术进步正在帮助泌尿科医生克服输尿管镜检查的经典限制，即石材尺寸和