Исследователи из университета Техаса продемонстрировали предсказание осложнений при имплантационной реконструкции с использованием машинного обучения

Ученыe из Техасского университета предсказали осложнения при имплантационной реконструкции с помощью машинного обучения

Искусственный интеллект (ИИ) сегодня трансформирует практически любую сферу и имеет потенциал улучшить существующие системы с помощью автоматизации, прогнозирования и оптимизации принятия решений. Реконструкция груди является очень распространенной хирургической процедурой, при которой в большинстве случаев используется реконструкция на основе имплантов (IBR). Однако этот процесс часто сопровождается перипротезной инфекцией, что вызывает значительное беспокойство у пациентов и приводит к увеличению затрат на здравоохранение. Эта исследование из Университета Техаса исследует, как искусственный интеллект, в частности, машинное обучение и его возможности, могут быть применены для прогнозирования осложнений IBR, в конечном счете, улучшая качество жизни.

Риски и осложнения, связанные с реконструкцией груди, зависят от множества нелинейных факторов, которые конвенциональные методы не могут учесть. Поэтому авторы этой статьи разработали и оценили девять различных алгоритмов машинного обучения для более точного прогнозирования осложнений IBR и также сравнили их производительность с традиционными моделями

Набор данных состоит из сведений о пациентах, собранных на протяжении примерно двух лет, полученных из Онкологического центра Университета Техаса М. Д. Андерсона. Некоторые из различных моделей, использованных исследователями, включают искусственные нейронные сети, опорные векторные машины, случайный лес и т.д. Кроме того, исследователи также использовали ансамбль голосования с использованием преобладания для получения более точных прогнозов и лучших результатов. В качестве метрик производительности исследователи использовали площадь под кривой (AUC) для выбора оптимальной модели после трех раундов 10-кратной перекрестной проверки.

Среди девяти алгоритмов точность прогнозирования перипротезной инфекции составила от 67% до 83%; алгоритм случайного леса показал лучшую точность, а ансамбль голосования продемонстрировал лучшую общую производительность (AUC 0,73). Что касается прогнозирования объяснения, точность составила от 64% до 84%, причем алгоритм экстремального градиентного усиления продемонстрировал лучшую общую производительность (AUC 0,78).

Дополнительный анализ также выявил важные предикторы перипротезной инфекции и объяснения, что обеспечивает более надежное понимание факторов, влияющих на осложнения IBR. Факторы, такие как высокий ИМТ, пожилой возраст и т.д., повышают риск инфекций. Исследователи отметили, что существует линейная взаимосвязь между ИМТ и риском инфекции, и несмотря на то, что в других исследованиях сообщалось, что возраст не влияет на инфекции IBR, авторы выявили линейную связь между ними.

Авторы также подчеркнули некоторые ограничения своих моделей. Поскольку данные получены только из одного института, их результаты не могут быть обобщены на другие институты. Кроме того, дополнительная проверка позволила бы клиническую реализацию этих моделей и помогла бы снизить риск серьезных осложнений. Кроме того, в них можно было бы интегрировать клинически значимые переменные и демографические факторы, чтобы дальше улучшить их производительность и точность

В заключение авторы этой научной статьи обучили девять различных алгоритмов машинного обучения точно прогнозировать появление осложнений IBR. Они также проанализировали различные факторы, влияющие на инфекции IBR, некоторые из которых были игнорированы предыдущими моделями. Однако у алгоритмов есть некоторые ограничения, такие как данные только с одного института, отсутствие дополнительной проверки и т. д. Обучение модели с большим количеством данных из различных институтов и добавление других факторов (клинических и демографических) улучшит производительность модели и поможет медицинским специалистам лучше справляться с проблемой инфекций IBR.

Статья Исследователи из Университета Техаса демонстрируют предсказание осложнений реконструкции на основе имплантов с использованием машинного обучения впервые появилась на MarkTechPost.