利用机器学习的力量来改善泌尿外科护理

坐骨动力学 - 评估身体收集的一组测试，然后释放尿液 - 对于诊断泌尿科问题，特别是在脊髓缺陷和其他神经系统的儿童中至关重要。虽然坐骨动力学可以提供具有丰富数据集的临床医生，但对这些测试的解释仍未逆转。这可以使泌尿科医生可靠地读取和分析结果挑战，MD，MPH，MP，MP，MP，MP，MPR，MD，MP，MP，MP，MP，MP，MP，MP，MP，MP，Boston儿童医院的尿动力学计划。

为了解决这个问题，王和他的同事已经开发了一个基于的预测模型机器学习算法。这种方法有望提高医生准确识别逼尿肌过度频率（DO）的能力，发现膀胱肉排肌肉无法控制的鲁道动力学。从2013年至2019年间波士顿儿童进行的799型尿动力学研究中绘制了档案，他们确定了五种代表性模式。然后，它们创建了一种算法，并在预测DO时评估其性能。

他们的结果，2020年11月18日出版，在神经学和尿动力学据表明，该预测模型具有良好的性能，曲线下面积超过0.8，总精度为81.35％，敏感性为76.92％，以及检测事件的特异性为81.41％。“我们希望这可以作为未来研究结婚的基石和基础人工智能（AI）和鞋力，“王说。

在儿童中个性化UTI次数

机器学习还显示有望帮助个性化尿路感染儿童的评估和治疗（UTI）。发热尿布的儿童均有增加的解剖学异常的风险，包括血管内反流（VUR），反过来与复发性肾盂肾炎和肾脏瘢痕形成有关。然而，确定有utis的儿童应挑战，应使用排尿囊尾图进行进一步评估。

2019年7月，王某和他的同事在波士顿儿童泌尿科系开发和应用预测模型从500名儿科UTI患者数据。他们发现，该模型预测了与VUR相关的经常性UTI，具有非常强大的性能。新颖的机器学习算法有可能进一步个性化初始UTI的儿童的治疗，并确定最有可能受益于进一步评估的人。该模型现在可以作为一个名为predictvur的免费应用程序提供。初步分析表明这一点模型为患者律师和分享决策做出了极大的帮助孩子们管理。

“我们希望通过将机器学习和AI带入泌尿科，作为泌尿科医生可以为患者及其家人提供最佳的数据驱动的护理和价值，”王说。

---

---