University of Twente Student Theses

Login

Factoren identificeren voor het voorspellen van de debulkbaarheid bij patiënten met een hoog stadium ovariumcarcinoom door middel van een AI-model

Lammes, S.F. and Broers, J.C.J. and Vries, J.T. de and Wijnholds, N.F.Y. (2023) Factoren identificeren voor het voorspellen van de debulkbaarheid bij patiënten met een hoog stadium ovariumcarcinoom door middel van een AI-model.

Full text not available from this repository.

Full Text Status:Access to this publication is restricted
Abstract:Achtergrond: Vrouwen met een hoog stadium ovariumcarcinoom worden behandeld door een complete debulking operatie (CD) uit te voeren. Wanneer niet al het tumorweefsel kan worden weggehaald tijdens de operatie, spreekt men van een niet complete debulking (NCD). Een NCD heeft een slechtere prognose en een lagere overlevingskans dan een CD. Preoperatief wordt bepaald of een CD haalbaar is. Dit blijkt nog erg complex, aangezien er peroperatief nog regelmatig blijkt dat de operatie leidt tot een NCD. Het doel van dit onderzoek is om klinische, biochemische en radiologische factoren te identificeren die in een AI-model een voorspellende waarde hebben op de uitkomst van een debulkingoperatie. Methode: Dit is een retrospectief onderzoek waarbij 88 patiënten met hoog stadium ovariumcarcinoom zijn geïncludeerd die een debulkingoperatie hebben ondergaan tussen 2018 en 2022 in ziekenhuis het Amphia. Uit patiëntendossiers en radiologische verslagen zijn klinische, biochemische en radiologische factoren gehaald. De radiologische factoren zijn middels een abdominale tumordepositie score (ATS)-systeem beoordeeld. Met behulp van de factoren zijn decision tree en random forest classificatie modellen ontwikkeld, waarbij onderzocht is welke factoren de grootste bijdrage leveren bij het voorspellen van de debulkbaarheid. De modellen zijn met elkaar vergeleken door middel van de precision, recall, F1-score, specificiteit, accuracy en area under the curve (AUC). Resultaten: Na het vergelijken van de modellen heeft het decision tree model een hogere specificiteit dan het random forest model, respectievelijk 25%-35% vs. 5%-10%. Het random forest model daarentegen heeft een hogere F1-score, respectievelijk 85,4%-87,6% vs. 76,7%- 86,3%. Bij beide modellen komen het FIGO-stadium, de CA 125-waardes, het mesenterium en ascites naar boven als belangrijkste voorspellers. Conclusie: Uit het onderzoek is gebleken dat FIGO-stadium, CA 125-waardes, het mesenterium en ascites de belangrijkste factoren zijn om de uitkomst van een debulkingoperatie te voorspellen. Kernwoorden: ovariumcarcinoom, debulking, AI-model, factoren, ATS
Item Type:Essay (Bachelor)
Clients:
Amphia, Breda, Netherlands
Faculty:TNW: Science and Technology
Subject:44 medicine
Programme:Technical Medicine BSc (50033)
Link to this item:https://purl.utwente.nl/essays/95208
Export this item as:BibTeX
EndNote
HTML Citation
Reference Manager

 

Repository Staff Only: item control page