计算机记录的电子医疗数据已经形成了大量知识的积累。这些数据在已在临床实践中使用，现代医学也随之发展。机器学习(ML)方法是在统计学、计算机科学和人工智能(AI)的基础上发展起来的，它通过解析更复杂的关系和关系模式，促进了新的和更方便的算法的构建，而这些关系和模式在传统统计方法中是无法在大型数据库中揭示的。

近期，有研究人员利用临床参数和机器学习(ML)方法建立了一个预测长期随访患者生化复发(BCR)的模型。

研究人员对2014年1月至2019年12月期间接受机器人辅助根治性前列腺切除术的患者进行了回顾。没有BCR的患者分配到第一组，而诊断为BCR的患者分配到第二组。 患者的人口统计学数据、术前和术后参数都记录在数据库中，并采用了三种不同的ML算法：随机森林、K-最近邻和逻辑回归。

研究包括了368名患者。在这些患者中，295人(80.1%)没有BCR(第一组)，73人(19.8%)有BCR(第二组)。随访的平均时间和直到诊断出BCR的时间分别为35.2±16.7和11.5±11.3个月。多变量分析显示，NLR、PSAd、风险分类、PIRADS评分、T分期、有无手术边缘阳性和精囊侵犯对BCR有预测作用。经典的Cox回归分析的曲线下面积(AUC)为0.915，敏感性和特异性为90.6%和79.8%。随机森林、K最近邻和逻辑回归的接收器操作特征曲线的AUC分别为0.95、0.93和0.93。所有ML模型在预测前列腺切除术后的BCR方面都优于传统的统计回归模型。

机器学习算法的AUC

综上所述，构建更可靠和有效的模型将为临床医生和患者提供更准确的风险分类、预后估计、早期干预、避免不必要的治疗、相对降低发病率和死亡率等优势。ML方法成本低廉，而且其能力随着数据输入的增加而增加;我们相信随着时间的推移，其临床应用会越来越多。

原始出处：

Mithat Ekşi， İsmail Evren， Fatih Akkaş et al.Machine learning algorithms can more efficiently predict biochemical recurrence after robot-assisted radical prostatectomy. Prostate. Jul 2021