Ett förenklat tillvägagångssätt för att förutsäga malignitet hos bröstskador: Nomogram i ultraljud

Datainsamling: Den här studien samlade retrospektivt in kliniska och ultraljudsundersökningsdata från patienter som genomgick en bröstlesionsoperation på vårt sjukhus från januari 2020 till juni 2023. Inklusionskriterier inkluderade patienter med fullständig klinisk information och tillgängliga ultraljudsbilddata. Parametrar som extraherades från dessa data inkluderade ålder, 2D ultraljudsbilder, doppler ultraljudsbilder och diagnostiska ultraljudsrapporter. Funktionsextraktion från ultraljudsbilder inkluderade 2D lesionsinformation (maximal diameter, orientering, ekogenicitet, morfologi, marginaler, förkalkningstyp, ductala förändringar), dopplerinformation (blodflödesmönster, motståndsindex) och BI-RADS-klassificering baserad på misstänkta ultraljudsfynd av läkare.

Modellutveckling: För det första genomförde vi multikollinearitetsanalys med hjälp av Variance Inflation Factor (VIF) för att välja variabler med VIF mindre än 5, i syfte att minska effekten av kollinearitet. Vi använde postoperativa patologiska resultat av bröstskador som guldstandarden för modellutveckling. I programmeringsspråket R använde vi caret-paketet för att slumpmässigt dela upp de slutliga proverna i tränings- och valideringsuppsättningar i ett 7:3-förhållande baserat på resultatvariabeln (benigna eller maligna bröstskador) samtidigt som vi satte ett slumpmässigt frö (set.seed) för resultatets reproducerbarhet. Därefter utförde vi univariat logistisk regressionsanalys på binära variabler i träningsuppsättningen, och behöll variabler med P <0,05, följt av multivariat logistisk regressionsanalys för att identifiera oberoende prediktorer för bröstskada malignitet.

Modellvalidering: För att validera modellens prestanda, konstruerade vi ett nomogram baserat på vikttilldelningen för varje oberoende prediktor. Sedan validerade vi modellen i valideringsuppsättningen, inklusive beräkning av känslighet, specificitet, noggrannhet och konkordans. Receiver Operating Characteristic (ROC)-kurvor plottades och arean under kurvan (AUC) beräknades för att bestämma den optimala tröskeln för att kvantitativt förutsäga sannolikheten för bröstcancerförekomst hos patienter. Dessutom utförde vi Decision Curve Analysis (DCA) för att bedöma den kliniska nettonyttan av modellen vid olika patientbeslutströsklar. DCA hjälper till att bestämma den praktiska användbarheten av modellen i kliniskt beslutsfattande och identifierar den optimala tröskeln för att förutsäga sannolikheten för sjukdomsförekomst, vilket hjälper läkare att fatta bättre beslut. Dessa valideringsmått användes för att utvärdera modellens prestanda, noggrannhet och potentiella tillämpning i verklig klinisk praxis.