.png){kind=icon}
返回
Predicting Complicated Appendicitis: What Can Machine Learning Add?
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics16162644.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景/目的：儿童复杂阑尾炎的早期识别仍然具有挑战性。我们开发了并内部验证了基于年龄和常规入院实验室数据的用于严重程度分层的实验室机器学习模型。方法：这项回顾性研究纳入了2020年至2024年间接受手术治疗并经手术确诊的628例儿童阑尾炎患者。复杂阑尾炎根据手术或病理证据显示穿孔、坏疽、脓肿、炎性包块、弥漫性腹膜炎或类似进展性炎症来定义。评估了15个候选预测因子，使用五个预设模型。模型在训练集上进行调优，并在隔离的测试集上评估一次。进行了成对DeLong比较、决策曲线分析、SHAP和置换重要性分析。结果：93例患者（14.8%）发生复杂阑尾炎。预设的CatBoost主要模型达到ROC AUC为0.867，精确-召回AUC为0.677，灵敏度为0.750，特异度为0.863，阳性预测值为0.488，F1得分为0.592。正式比较在Holm校正后未显示AUC优于其他算法。探索性决策曲线分析显示，在阈值概率0.06～0.35范围内，相比“治疗所有”和“不治疗”策略具有更大的净获益。ESR、年龄、CRP和CRP衍生指数是最具影响力的模型特征。结论：常规实验室数据可能为严重程度分层提供辅助信息，但事件数量有限、阳性预测值较低以及缺乏外部验证，限制了其单独的临床应用。
Keyword:
pediatric appendicitis
machine learning
explainable AI
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
引用论文
分享收藏Diagnosis of Appendicitis in Patients with a Normal White Blood Cell Count; A Cross-Sectional StudyOAAI
OAAI分享收藏Using Machine Learning to Predict the Diagnosis, Management and Severity of Pediatric AppendicitisOAAI
OAAI分享收藏Diagnosis and treatment of acute appendicitis: 2020 update of the WSES Jerusalem guidelines急性阑尾炎的诊断和治疗: WSES耶路撒冷指南的2020更新
OAAI
OAAI分享收藏Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach比较两个或多个相关接收器工作特性曲线下的区域: 非参数方法.png)
Biometrics
BiometricsIF0
PREAI
分享收藏Pediatric perforated appendicitis diagnosis based on the C-reactive protein/prealbumin ratio基于C反应蛋白/前白蛋白比值的小儿穿孔性阑尾炎诊断SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏When appendicitis mimics a liver abscess: diagnostic challenges in pediatric surgeryWaszak, T.; Wiczuk-Wiczewska, M.; Szymczak, A.; Jończyk-Potoczna, K. 当阑尾炎模拟肝脓肿：儿科外科中的诊断挑战. J. Surg. Case Rep. 2025, 2025, rjaf470. [Google Scholar] [CrossRef] [Scilit] [PubMed]
PREAI
分享收藏
查看更多内容