逆行输尿管镜碎石术中困难输尿管的危险因素及基于机器学习的预测

《World Journal of Urology》:Risk factors and machine learning–based prediction of difficult ureter during retrograde ureteroscopic lithotripsy

【字体: 大 中 小 】 时间:2026年10月08日 来源:World Journal of Urology 3.3

编辑推荐:

   摘要目的困难输尿管(DU)是一种挑战性状况,会阻碍逆行输尿管镜碎石术(URS)中成功进入上尿路。本研究旨在识别困难输尿管的临床风险因素,并评估机器学习模型在输尿管结石患者行URS时的预测性能。方法回顾性分析2023年1月至2024年1月期间接受逆行输尿管镜碎石术患者的病历资料

  

摘要

目的

困难输尿管(DU)是一种挑战性状况,会阻碍逆行输尿管镜碎石术(URS)中成功进入上尿路。本研究旨在识别困难输尿管的临床风险因素,并评估机器学习模型在输尿管结石患者行URS时的预测性能。

方法

回顾性分析2023年1月至2024年1月期间接受逆行输尿管镜碎石术患者的病历资料。共纳入221例患者,分为困难输尿管(DU)组和非困难输尿管(NDU)组。比较两组间的人口学特征、合并症、实验室参数及围手术期发现。采用单变量和多变量回归模型进行传统统计分析。此外,开发了监督学习算法,包括决策树、逻辑回归、朴素贝叶斯、支持向量机、K近邻、袋装树及多层感知器人工神经网络(ANN),用于预测DU。采用3折交叉验证评估模型性能。

结果

34例患者(15.4%)被识别为困难输尿管。无肾积水、未接受药物排石治疗、C反应蛋白升高(CRP?>?5?mg/L)及痛风与DU显著相关。多变量逻辑回归分析将CRP水平升高和糖尿病确定为独立预测因子。在机器学习模型中,多层感知器ANN表现最佳,准确率为86.9%,受试者工作特征曲线下面积为0.816。特征重要性分析显示CRP是影响最大的预测因子,与传统统计结果一致。

结论

CRP水平升高、痛风、无肾积水及未接受药物排石治疗是输尿管镜碎石术中困难输尿管的重要风险因素。基于机器学习的模型,尤其是人工神经网络,可能提供额外的预测价值,并可作为临床实践中术前风险分层的决策支持工具。

目的

困难输尿管(DU)是一种挑战性状况,会阻碍逆行输尿管镜碎石术(URS)中成功进入上尿路。本研究旨在识别困难输尿管的临床风险因素,并评估机器学习模型在输尿管结石患者行URS时的预测性能。

方法

回顾性分析2023年1月至2024年1月期间接受逆行输尿管镜碎石术患者的病历资料。共纳入221例患者,分为困难输尿管(DU)组和非困难输尿管(NDU)组。比较两组间的人口学特征、合并症、实验室参数及围手术期发现。采用单变量和多变量回归模型进行传统统计分析。此外,开发了监督学习算法,包括决策树、逻辑回归、朴素贝叶斯、支持向量机、K近邻、袋装树及多层感知器人工神经网络(ANN),用于预测DU。采用3折交叉验证评估模型性能。

结果

34例患者(15.4%)被识别为困难输尿管。无肾积水、未接受药物排石治疗、C反应蛋白升高(CRP?>?5?mg/L)及痛风与DU显著相关。多变量逻辑回归分析将CRP水平升高和糖尿病确定为独立预测因子。在机器学习模型中,多层感知器ANN表现最佳,准确率为86.9%,受试者工作特征曲线下面积为0.816。特征重要性分析显示CRP是影响最大的预测因子,与传统统计结果一致。

结论

CRP水平升高、痛风、无肾积水及未接受药物排石治疗是输尿管镜碎石术中困难输尿管的重要风险因素。基于机器学习的模型,尤其是人工神经网络,可能提供额外的预测价值,并可作为临床实践中术前风险分层的决策支持工具。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号