Zjednodušený přístup k predikci malignity lézí prsu: Nomogram v ultrasonografii

Sběr dat: Tato studie retrospektivně shromáždila údaje o klinických a ultrazvukových vyšetřeních od pacientek, které podstoupily operaci lézí prsu v naší nemocnici od ledna 2020 do června 2023. Kritéria pro zařazení zahrnovala pacienty s kompletními klinickými informacemi a dostupnými ultrazvukovými obrazovými daty. Parametry extrahované z těchto dat zahrnovaly věk, 2D ultrazvukové snímky, Dopplerovy ultrazvukové snímky a ultrazvukové diagnostické zprávy. Extrakce rysů z ultrazvukových snímků zahrnovala 2D informace o lézích (maximální průměr, orientace, echogenita, morfologie, okraje, typ kalcifikace, duktální změny), dopplerovské informace (průtok krve, index rezistence) a klasifikaci BI-RADS na základě podezřelých ultrazvukových nálezů lékaři.

Vývoj modelu: Nejprve jsme provedli analýzu multikolinearity pomocí variačního inflačního faktoru (VIF), abychom vybrali proměnné s VIF menším než 5, s cílem snížit dopad kolinearity. Jako zlatý standard pro vývoj modelu jsme použili pooperační patologické výsledky lézí prsu. V programovacím jazyce R jsme použili balíček stříšky k náhodnému rozdělení konečných vzorků do tréninkových a validačních sad v poměru 7:3 na základě výsledné proměnné (benigní nebo maligní léze prsu) při nastavení náhodného semene (set.seed) pro reprodukovatelnost výsledků. Následně jsme provedli jednorozměrnou logistickou regresní analýzu na binárních proměnných v trénovacím souboru, přičemž jsme zachovali proměnné s P < 0,05, následovanou multivariační logistickou regresní analýzou k identifikaci nezávislých prediktorů malignity lézí prsu.

Validace modelu: Abychom ověřili výkonnost modelu, vytvořili jsme nomogram založený na rozdělení váhy každého nezávislého prediktoru. Poté jsme komplexně ověřili model ve validační sadě, včetně výpočtu citlivosti, specificity, přesnosti a konkordance. Křivky provozních charakteristik přijímače (ROC) byly vyneseny do grafu a byla vypočtena plocha pod křivkou (AUC), aby se určil optimální práh pro kvantitativní predikci pravděpodobnosti výskytu rakoviny prsu u pacientek. Kromě toho jsme provedli analýzu rozhodovací křivky (DCA), abychom vyhodnotili čistý klinický přínos modelu při různých prahových hodnotách rozhodování pacienta. DCA pomáhá určit praktickou využitelnost modelu při klinickém rozhodování a identifikuje optimální práh pro predikci pravděpodobnosti výskytu onemocnění, což lékařům pomáhá při lepším rozhodování. Tyto validační metriky byly použity k vyhodnocení výkonnosti modelu, přesnosti a potenciální aplikace v reálné klinické praxi.