Uma abordagem simplificada para prever a malignidade de lesões mamárias: nomograma em ultrassonografia

Coleta de dados: Este estudo coletou retrospectivamente dados clínicos e de exames ultrassonográficos de pacientes submetidos à cirurgia de lesão mamária em nosso hospital de janeiro de 2020 a junho de 2023. Os critérios de inclusão incluíram pacientes com informações clínicas completas e dados de imagens ultrassonográficas disponíveis. Os parâmetros extraídos desses dados incluíram idade, imagens de ultrassom 2D, imagens de ultrassom Doppler e relatórios de diagnóstico de ultrassom. A extração de características das imagens de ultrassom incluiu informações da lesão 2D (diâmetro máximo, orientação, ecogenicidade, morfologia, margens, tipo de calcificação, alterações ductais), informações Doppler (padrão de fluxo sanguíneo, índice de resistência) e classificação BI-RADS com base em achados ultrassonográficos suspeitos por médicos.

Desenvolvimento do modelo: Primeiramente, realizamos análise de multicolinearidade utilizando Variance Inflation Factor (VIF) para selecionar variáveis ​​com VIF menor que 5, visando reduzir o impacto da colinearidade. Utilizamos resultados patológicos pós-operatórios de lesões mamárias como padrão ouro para o desenvolvimento do modelo. Na linguagem de programação R, utilizamos o pacote caret para dividir aleatoriamente as amostras finais em conjuntos de treinamento e validação em uma proporção de 7:3 com base na variável de resultado (lesões mamárias benignas ou malignas) enquanto definimos uma semente aleatória (set.seed) para reprodutibilidade dos resultados. Posteriormente, realizamos análise de regressão logística univariada em variáveis ​​binárias no conjunto de treinamento, mantendo variáveis ​​com P < 0,05, seguida de análise de regressão logística multivariada para identificar preditores independentes de malignidade de lesões mamárias.

Validação do Modelo: Para validar o desempenho do modelo, construímos um nomograma baseado na alocação de peso de cada preditor independente. Em seguida, validamos de forma abrangente o modelo no conjunto de validação, incluindo o cálculo de sensibilidade, especificidade, precisão e concordância. As curvas Receiver Operating Characteristic (ROC) foram traçadas e a área sob a curva (AUC) foi calculada para determinar o limiar ideal para prever quantitativamente a probabilidade de ocorrência de câncer de mama em pacientes. Além disso, realizamos Análise da Curva de Decisão (DCA) para avaliar o benefício clínico líquido do modelo em diferentes limites de decisão do paciente. O DCA ajuda a determinar a utilidade prática do modelo na tomada de decisões clínicas e identifica o limite ideal para prever a probabilidade de ocorrência de doenças, auxiliando os médicos na tomada de melhores decisões. Essas métricas de validação foram usadas para avaliar o desempenho, a precisão e o potencial de aplicação do modelo na prática clínica real.