Un approccio semplificato per prevedere la malignità delle lesioni mammarie: nomogramma in ecografia

Raccolta dati: questo studio ha raccolto in modo retrospettivo i dati degli esami clinici ed ecografici di pazienti sottoposti a intervento chirurgico per lesione mammaria presso il nostro ospedale da gennaio 2020 a giugno 2023. I criteri di inclusione includevano pazienti con informazioni cliniche complete e dati di immagini ecografiche disponibili. I parametri estratti da questi dati includevano età, immagini ecografiche 2D, immagini ecografiche Doppler e rapporti diagnostici ecografici. L'estrazione delle caratteristiche dalle immagini ecografiche includeva informazioni sulle lesioni 2D (diametro massimo, orientamento, ecogenicità, morfologia, margini, tipo di calcificazione, alterazioni duttali), informazioni Doppler (modello del flusso sanguigno, indice di resistenza) e classificazione BI-RADS basata su risultati ecografici sospetti da parte di medici.

Sviluppo del modello: in primo luogo, abbiamo condotto un'analisi multicollinearità utilizzando il fattore di inflazione della varianza (VIF) per selezionare variabili con VIF inferiore a 5, con l'obiettivo di ridurre l'impatto della collinearità. Abbiamo utilizzato i risultati patologici postoperatori delle lesioni mammarie come gold standard per lo sviluppo del modello. Nel linguaggio di programmazione R, abbiamo utilizzato il pacchetto caret per dividere casualmente i campioni finali in set di training e validazione in un rapporto 7:3 basato sulla variabile di risultato (lesioni mammarie benigne o maligne) impostando un seme casuale (set.seed) per la riproducibilità dei risultati. Successivamente, abbiamo eseguito un'analisi di regressione logistica univariata su variabili binarie nel set di addestramento, conservando variabili con P <0,05, seguita da un'analisi di regressione logistica multivariata per identificare predittori indipendenti di malignità della lesione mammaria.

Convalida del modello: per convalidare le prestazioni del modello, abbiamo costruito un nomogramma basato sull'allocazione del peso di ciascun predittore indipendente. Quindi, abbiamo convalidato in modo completo il modello nel set di validazione, compreso il calcolo di sensibilità, specificità, accuratezza e concordanza. Sono state tracciate le curve ROC (Receiver Operating Characteristic) ed è stata calcolata l'area sotto la curva (AUC) per determinare la soglia ottimale per prevedere quantitativamente la probabilità di insorgenza del cancro al seno nei pazienti. Inoltre, abbiamo eseguito l’analisi della curva decisionale (DCA) per valutare il beneficio clinico netto del modello a diverse soglie decisionali del paziente. Il DCA aiuta a determinare l'utilità pratica del modello nel processo decisionale clinico e identifica la soglia ottimale per prevedere la probabilità di insorgenza della malattia, aiutando i medici a prendere decisioni migliori. Queste metriche di validazione sono state utilizzate per valutare le prestazioni, l'accuratezza e la potenziale applicazione del modello nella pratica clinica reale.