基于机器学习的慢性鼻童炎手术结果预测研究
机器学习
2026-02-23 v1 人工智能
摘要
人工智能 (AI) 正越来越多地变革医学预诊断，通过实现对影像和病理学数据的快速准确分析。然而，尽管其潜力巨大，针对观察性临床干预试验中系统性收集、标准化数据的机器学习预测研究仍属未被充分探索的领域，这类研究有望降低成本并改善患者预后。慢性鼻童炎 (CRS) 是一种持续性的鼻腔及颌窝炎症性疾病，持续时间超过三个月，对生活质量 (QoL) 和社会经济负担造成巨大影响。虽然许多患者对医学治疗有效反应，但其他表现顽固症状的患者常需考虑手术干预。CRS的手术决策复杂，必须在已知的程序风险与不确定的个体化预后之间进行权衡。本研究评估了用于预测CRS手术获益的监督式机器学习模型，以Sino-Nasal Outcome Test-22 (SNOT-22) 作为主要患者自我报告的结局指标。我们的前瞻性收集的队列来自观察性干预试验，包含所有接受手术的患者；我们检验了仅基于术前数据的模型，是否能识别在手术前可能不被推荐手术的患者。对于多种算法，包括集成方法，我们的最佳模型实现了约85%的分类准确率，提供了精确且可解释的手术适应性预测。此外，在包含30个不同难度案例的保留集上，本模型实现了80%的准确率，显著高于专科临床医生的平均预测准确率 (75.6%)，表明其有潜力增强临床决策，支持个体化CRS护理。
引用
@article{arxiv.2602.17888,
title = {Machine Learning Based Prediction of Surgical Outcomes in Chronic Rhinosinusitis from Clinical Data},
author = {Sayeed Shafayet Chowdhury and Karen D'Souza and V. Siva Kakumani and Snehasis Mukhopadhyay and Shiaofen Fang and Rodney J. Schlosser and Daniel M. Beswick and Jeremiah A. Alt and Jess C. Mace and Zachary M. Soler and Timothy L. Smith and Vijay R. Ramakrishnan},
journal= {arXiv preprint arXiv:2602.17888},
year = {2026}
}