利用机器学习的力量来改善泌尿外科护理

尿动力学是一组评估人体收集和释放尿液情况的测试，它对诊断泌尿系统问题至关重要，尤其是对患有脊髓缺陷和其他神经疾病的儿童。虽然尿动力学可以为临床医生提供一组丰富的数据，但这些测试的解释仍未标准化。波士顿儿童医院尿动力学项目的一位泌尿科医生，医学博士、公共卫生学硕士、MBAn的xin - hsiao Scott Wang说，这使得泌尿科医生难以可靠地读取和分析结果。

为了解决这个问题，Wang和他的同事开发了一个基于机器学习算法。这种方法可以提高医生准确识别逼尿肌过度活动(DO)的能力，这是一种尿动力学发现，膀胱的逼尿肌肌肉无法控制地收缩。从2013年至2019年在波士顿儿童医院进行的799项尿动力学研究档案中，他们确定了五种典型的DO模式。然后，他们创建了一个算法，并评估了它在预测DO方面的性能。

他们的研究结果发表于2020年11月18日Neurourology和尿动态结果表明，该预测模型具有良好的检测性能，曲线下面积大于0.8，总体准确率为81.35%，灵敏度为76.92%，检测DO事件的特异性为81.41%。“我们希望这能成为未来研究性婚姻的基石和基础。人工智能(人工智能)和尿动力学，”王说。

个性化儿童UTI检查

机器学习在帮助尿路感染(UTIs)儿童的个性化评估和治疗方面也显示出了希望。发热性尿路炎的儿童有更高的解剖学异常风险，包括膀胱输尿管返流(VUR)，这反过来又与复发性肾盂肾炎和肾瘢痕形成相关。然而，确定哪些患有尿路感染的儿童需要通过排尿膀胱尿道造影进行进一步评估是具有挑战性的。

在2019年7月的一项研究中，Wang和他在波士顿儿童泌尿科的同事开发并应用了一种预测模型到500名儿童UTI患者的数据。他们发现，该模型预测了与VUR相关的UTIs的复发，具有非常稳健的性能。这种新型机器学习算法有潜力进一步个性化治疗患有初期UTI的儿童，并确定那些最有可能从进一步评估中获益的儿童。该模型现在可以通过一款名为PredictVUR的免费应用程序获得。初步分析表明这一点模型对UTI患者的咨询和共享决策有很大帮助孩子们管理。

“我们希望通过将机器学习和人工智能引入泌尿科，作为泌尿科医生，我们可以为患者及其家人提供最好的数据驱动的护理和价值，”王说。

---

---