乳房病変の悪性度を予測するための簡略化されたアプローチ: 超音波検査におけるノモグラム

データ収集：この研究では、2020年1月から2023年6月までに当院で乳房病変の手術を受けた患者から臨床データと超音波検査データを遡及的に収集しました。 包含基準には、完全な臨床情報と利用可能な超音波画像データを持つ患者が含まれていました。 このデータから抽出されたパラメータには、年齢、2D 超音波画像、ドップラー超音波画像、超音波診断レポートが含まれます。 超音波画像からの特徴抽出には、2D 病変情報 (最大直径、向き、エコー源性、形態、辺縁、石灰化の種類、管の変化)、ドップラー情報 (血流パターン、抵抗指数)、および疑わしい超音波所見に基づく BI-RADS 分類が含まれます。医師たち。

モデル開発: まず、共線性の影響を軽減することを目的として、分散膨張係数 (VIF) を使用して多重共線性分析を実行し、VIF が 5 未満の変数を選択しました。 我々は、乳房病変の術後の病理学的結果をモデル開発のゴールドスタンダードとして使用しました。 R プログラミング言語では、キャレット パッケージを利用して、ランダム シード (set.seed) を設定しながら、結果変数 (良性または悪性の乳房病変) に基づいて、最終サンプルをトレーニング セットと検証セットに 7:3 の比率でランダムに分割しました。結果の再現性のために。 続いて、トレーニングセットの二値変数に対して一変量ロジスティック回帰分析を実行し、P < 0.05の変数を保持し、続いて多変量ロジスティック回帰分析を行って、乳房病変の悪性度の独立した予測因子を特定しました。

モデルの検証: モデルのパフォーマンスを検証するために、各独立予測子の重み配分に基づいてノモグラムを構築しました。 次に、感度、特異度、精度、一致度の計算など、検証セット内のモデルを包括的に検証しました。 受信者動作特性 (ROC) 曲線がプロットされ、曲線下面積 (AUC) が計算されて、患者における乳がんの発生確率を定量的に予測するための最適なしきい値が決定されました。 さらに、決定曲線分析 (DCA) を実行して、さまざまな患者の意思決定閾値におけるモデルの最終的な臨床上の利点を評価しました。 DCA は、臨床意思決定におけるモデルの実際的な有用性を判断するのに役立ち、病気の発生確率を予測するための最適なしきい値を特定して、医師がより適切な意思決定を行えるように支援します。 これらの検証メトリクスは、モデルのパフォーマンス、精度、実際の臨床現場での潜在的な応用を評価するために使用されました。