Madhur Nayan博士，纽约大学朗格尼健康中心泌尿科和人口健康助理教授，讨论了一种新的机器学习模型ProMT-ML，该模型通过分析电子健康记录中的多种临床参数，预测异常前列腺MRI的可能性，从而优化前列腺癌筛查。
前列腺MRI是一种关键工具，有助于临床医生减少前列腺癌的漏诊和误诊。然而，其广泛应用目前受到资源限制、高成本和需要专门专业知识等因素的限制。这可能导致一些患者的等待时间延长，并且对未进行MRI检查的患者进行不必要的活检。
为了解决这些限制，专家们旨在创建一个模型，以优先考虑更有可能从前列腺MRI中受益的患者。ProMT-ML模型分析了电子健康记录中容易获得的各种因素，包括年龄、前列腺特异性抗原（PSA）水平、前列腺大小（体积）和体重指数（BMI）。通过整合这些临床参数，该模型能够比仅依赖PSA水平的现有标准提供更细致的异常MRI预测。
Nayan解释说，现有的方法往往导致PSA水平升高但最终MRI结果正常的患者进行不必要的MRI检查。ProMT-ML通过结合不同的临床参数来更好地识别具有较高异常前列腺MRI概率的个体，从而改善这一情况。
“我们试图结合不同的临床参数，以更好地预测哪些患者有异常的前列腺MRI。我们考虑了年龄、体重指数等因素，这提供了比单独使用PSA更多的信息，以预测异常的前列腺MRI。”Nayan说道。
研究表明，最准确的ProMT-ML模型版本在预测异常MRI结果方面达到了75%的准确性，表明该模型有可能优化前列腺MRI资源的利用，减少真正需要影像学检查的患者的等待时间，并减少不太可能有显著发现的患者的不必要的活检。虽然该模型专注于预测MRI结果，但Nayan指出，预测正常的MRI通常与临床上不重要的疾病相关，这表明该模型在指导下游诊断路径方面具有更广泛的应用价值。
(全文结束)
