客观的
前庭神经鞘瘤(VSs)是成人桥小脑角最常见的肿瘤。虽然这些病变通常生长缓慢，但其生长模式和相关症状是不可预测的，这可能会使采取保守治疗还是积极干预的决定复杂化。此外，由于有限的高质量证据和多种生活质量的考虑，手术决策可能存在争议。机器学习(ML)是一种强大的工具，它利用数据集来实现多维临床过程。在这项研究中，作者训练了多种基于树的ML算法来预测单个机构队列中VS的主动治疗与MRI监测的决策。在此过程中，他们试图评估哪些术前变量在推动干预决策中最重要，并可用于通过循证方法指导未来的手术决策。
开云体育世界杯赔率
作者回顾了2009年至2021年期间接受神经外科和耳鼻喉科评估并随后积极治疗(切除或放疗)单侧VS的患者的记录，以及在2021年期间接受VS评估并保守治疗开云体育app官方网站下载入口的患者的记录。从第一次评估到最后一次随访或手术，从每位患者的记录中提取临床表现、x线资料和管理计划。每次与患者的接触都被视为一个实例，涉及取决于人口统计学、症状和肿瘤特征的管理决策。训练和测试决策树和随机森林分类器，以使用80/20伪随机分割的未见数据为基础，预测治疗与成像监测的决策。根据最低的基尼杂质指数调整预测变量以使性能最大化。使用五倍交叉验证优化模型性能。
结果
124例患者中198例做出了有关治疗的决定。在决策树分析中，仅需要最大肿瘤尺寸阈值1.6 cm和进展症状即可预测治疗决策，准确率为85%。优化最大维度阈值并包括呈现时的年龄，将准确度提高到88%。随机森林分析(n = 500棵树)预测处理决策的准确率为80%。基于多种重要性测量，包括平均最小条件深度和最大基尼杂质减少，具有最高可变重要性的因素是最大肿瘤尺寸、出现时的年龄、Koos分级和出现时的进展性症状。
结论
基于树的ML用于预测哪些因素驱动VS的积极治疗决策，准确率为80%-88%。最重要的因素是肿瘤最大尺寸、发病年龄、库斯分级和进展性症状。这些结果有助于手术决策和患者咨询。它们还展示了ML算法在从有限的数据集中提取有用见解方面的强大功能。
