Prostatakrebsprognose unter Verwendung des Random-Forest-Algorithmus, der transrektale Ultraschallbefunde, Alter und Serumspiegel von prostataspezifischem Antigen berücksichtigt

Ziel dieser Studie ist es, die Fähigkeit des Random-Forest-Algorithmus zu bewerten, der Daten zu transrektalen Ultraschallbefunden, Alter und Serumspiegeln von prostataspezifischem Antigen kombiniert, um Prostatakarzinome vorherzusagen. Klinisch-demografische Daten wurden für 941 Patienten mit Prostataerkrankungen analysiert, die in unserem Krankenhaus behandelt wurden, einschließlich Alter, Serumspiegel von prostataspezifischem Antigen, transrektale Ultraschallbefunde und pathologische Diagnosen basierend auf einer ultraschallgeführten Nadelbiopsie der Prostata. Diese Daten wurden zwischen Patienten mit und ohne Prostatakrebs unter Verwendung des Chi-Quadrat-Tests verglichen und dann in das Random-Forest-Modell eingegeben, um die Diagnose vorherzusagen. Patienten mit und ohne Prostatakrebs unterschieden sich signifikant in Bezug auf Alter und Serumspiegel von prostataspezifischem Antigen (P < 0,001) sowie in allen transrektalen Ultraschalleigenschaften (P < 0,05), mit Ausnahme eines unregelmäßigen Echos (P = 0,609). Das Random-Forest-Modell, das auf Alter, prostataspezifischem Antigen und Ultraschall basiert, sagte Prostatakrebs mit einer Genauigkeit von 83,10%, einer Sensitivität von 65,64% und einer Spezifität von 93,83% voraus. Der positive Vorhersagewert betrug 86,72% und der negative Vorhersagewert 81,64%. Durch die Integration von Alter, Serumspiegeln von prostataspezifischem Antigen und transrektalen Ultraschallbefunden zeigt der Random-Forest-Algorithmus eine bessere diagnostische Leistung für Prostatakrebs als jeder diagnostische Indikator für sich. Dieser Algorithmus kann helfen, die Diagnose der Krankheit zu verbessern, indem er Patienten mit hohem Risiko für eine Biopsie identifiziert.