基于机器学习的柔性输尿管镜术中零残石率及下盏可及性预测模型研究

来自国际多中心的研究团队针对柔性输尿管镜碎石术(FURS)后残石问题，开发了机器学习(ML)模型预测零残石率(ZFR)和下盏(LP)可及性。研究纳入390例患者数据，ExtraTreesClassifier模型对ZFR预测准确率达0.83，RandomForestClassifier对LP定位准确率达0.86，为临床精准选择可导航吸引鞘(FANS)提供了决策支持。

　　

这项由欧洲泌尿外科协会内泌尿学分会主导的研究，探索了可导航吸引鞘(FANS)在柔性输尿管镜碎石术(FURS)中的应用价值。通过前瞻性收集全球25个医疗中心390例患者的临床数据（2023年8月至2024年1月），研究团队建立了8种机器学习模型。

数据显示，患者中位年龄49岁，结石体积中位数1440mm³，其中70.5%为初发结石患者，59%接受过预置支架。FANS成功抵达肾下盏的比例达75.1%，术后1个月CT证实零残石率(ZFR)为56.7%。

在模型表现方面，ExtraTrees分类器凭借0.83的准确率和0.85的F1分数，成为预测ZFR的最佳算法；而随机森林分类器则以0.86的准确率和0.91的F1分数，在预测下盏可及性方面表现最优。该研究首次证实，基于术前参数的机器学习模型可有效预判FANS的手术效果，为个体化器械选择提供了量化依据。