Une approche simplifiée pour prédire la malignité des lésions mammaires : nomogramme en échographie

Collecte de données : Cette étude a collecté rétrospectivement des données d'examens cliniques et échographiques auprès de patientes ayant subi une chirurgie de lésion mammaire dans notre hôpital de janvier 2020 à juin 2023. Les critères d'inclusion incluaient des patients disposant d'informations cliniques complètes et de données d'images échographiques disponibles. Les paramètres extraits de ces données comprenaient l’âge, les images échographiques 2D, les images échographiques Doppler et les rapports de diagnostic échographique. L'extraction de caractéristiques à partir d'images échographiques comprenait des informations 2D sur les lésions (diamètre maximum, orientation, échogénicité, morphologie, marges, type de calcification, modifications canalaires), des informations Doppler (modèle de flux sanguin, indice de résistance) et une classification BI-RADS basée sur des résultats échographiques suspects par médecins.

Développement du modèle : Tout d'abord, nous avons effectué une analyse de multicolinéarité à l'aide du facteur d'inflation de variance (VIF) pour sélectionner les variables avec un VIF inférieur à 5, dans le but de réduire l'impact de la colinéarité. Nous avons utilisé les résultats pathologiques postopératoires des lésions mammaires comme référence pour le développement de modèles. Dans le langage de programmation R, nous avons utilisé le package caret pour diviser de manière aléatoire les échantillons finaux en ensembles d'entraînement et de validation dans un rapport de 7 : 3 en fonction de la variable de résultat (lésions mammaires bénignes ou malignes) tout en définissant une graine aléatoire (set.seed). pour la reproductibilité des résultats. Par la suite, nous avons effectué une analyse de régression logistique univariée sur les variables binaires de l'ensemble de formation, en conservant les variables avec P <0, 05, suivie d'une analyse de régression logistique multivariée pour identifier les prédicteurs indépendants de la malignité des lésions mammaires.

Validation du modèle : pour valider les performances du modèle, nous avons construit un nomogramme basé sur l'allocation de poids de chaque prédicteur indépendant. Ensuite, nous avons validé de manière exhaustive le modèle dans l'ensemble de validation, y compris le calcul de la sensibilité, de la spécificité, de l'exactitude et de la concordance. Les courbes des caractéristiques de fonctionnement du récepteur (ROC) ont été tracées et l'aire sous la courbe (AUC) a été calculée pour déterminer le seuil optimal pour prédire quantitativement la probabilité d'apparition d'un cancer du sein chez les patientes. De plus, nous avons effectué une analyse de courbe de décision (DCA) pour évaluer le bénéfice clinique net du modèle à différents seuils de décision des patients. La DCA aide à déterminer l'utilité pratique du modèle dans la prise de décision clinique et identifie le seuil optimal pour prédire la probabilité d'apparition d'une maladie, aidant ainsi les médecins à prendre de meilleures décisions. Ces mesures de validation ont été utilisées pour évaluer les performances, la précision et l'application potentielle du modèle dans la pratique clinique réelle.