Un enfoque simplificado para predecir la malignidad de las lesiones mamarias: nomograma en ecografía

Recopilación de datos: este estudio recopiló retrospectivamente datos de exámenes clínicos y ecográficos de pacientes que se sometieron a cirugía de lesión mamaria en nuestro hospital desde enero de 2020 hasta junio de 2023. Los criterios de inclusión incluyeron pacientes con información clínica completa y datos de imágenes ecográficas disponibles. Los parámetros extraídos de estos datos incluyeron edad, imágenes de ultrasonido 2D, imágenes de ultrasonido Doppler e informes de diagnóstico de ultrasonido. La extracción de características de las imágenes ecográficas incluyó información de la lesión 2D (diámetro máximo, orientación, ecogenicidad, morfología, márgenes, tipo de calcificación, cambios ductales), información Doppler (patrón de flujo sanguíneo, índice de resistencia) y clasificación BI-RADS basada en hallazgos ecográficos sospechosos por médicos.

Desarrollo del modelo: en primer lugar, realizamos un análisis de multicolinealidad utilizando el factor de inflación de varianza (VIF) para seleccionar variables con VIF inferior a 5, con el objetivo de reducir el impacto de la colinealidad. Utilizamos los resultados patológicos posoperatorios de las lesiones mamarias como estándar de oro para el desarrollo del modelo. En el lenguaje de programación R, utilizamos el paquete caret para dividir aleatoriamente las muestras finales en conjuntos de entrenamiento y validación en una proporción de 7:3 según la variable de resultado (lesiones mamarias benignas o malignas) mientras configuramos una semilla aleatoria (set.seed). para la reproducibilidad de resultados. Posteriormente, realizamos un análisis de regresión logística univariado sobre variables binarias en el conjunto de entrenamiento, reteniendo variables con P <0,05, seguido de un análisis de regresión logística multivariado para identificar predictores independientes de malignidad de la lesión mamaria.

Validación del modelo: para validar el rendimiento del modelo, construimos un nomograma basado en la asignación de peso de cada predictor independiente. Luego, validamos exhaustivamente el modelo en el conjunto de validación, incluido el cálculo de sensibilidad, especificidad, precisión y concordancia. Se trazaron las curvas de las características operativas del receptor (ROC) y se calculó el área bajo la curva (AUC) para determinar el umbral óptimo para predecir cuantitativamente la probabilidad de aparición de cáncer de mama en los pacientes. Además, realizamos un análisis de la curva de decisión (DCA) para evaluar el beneficio clínico neto del modelo en diferentes umbrales de decisión del paciente. DCA ayuda a determinar la utilidad práctica del modelo en la toma de decisiones clínicas e identifica el umbral óptimo para predecir la probabilidad de aparición de enfermedades, ayudando a los médicos a tomar mejores decisiones. Estas métricas de validación se utilizaron para evaluar el rendimiento, la precisión y la posible aplicación del modelo en la práctica clínica real.