膵臓がんの生存率をSHAPを用いた解釈可能な機械学習モデルで予測する：多施設共同研究

科学分野:

• 腫瘍学
• 機械学習
• 生物統計学

背景:

• 膵臓がんの生存率予測モデルには限界がある。
• 正確な予測は、患者管理および治療戦略にとって重要である。

研究 の 目的:

• 膵臓がん患者の全生存期間（OS）を予測するための臨床的特徴を特定すること。
• 膵臓がんOS予測のための機械学習モデルを開発・検証すること。

主な方法:

• 後ろ向きコホート研究で、704人の患者（トレーニング/内部検証）と131人の患者（外部検証）を対象とした。
• ランダムサバイバルフォレスト（RSF）を含む5つの機械学習モデルを開発し、比較した。
• モデルの解釈可能性のためにSHapley Additive exPlanation（SHAP）を利用した。

主要な成果:

• RSFモデルは、AUCがトレーニングで0.81、内部検証で0.76、外部検証で0.78と、優れたパフォーマンスを示した。
• 全生存期間（OS）の主要な予測因子には、化学療法、CA19-9、腹痛、リンパ節郭清数、TNM病期が含まれた。
• 5年生存率は22.1%であり、国際的なデータと比較して同等であった。

結論:

• 多施設データを用いて、解釈可能なRSFモデルを開発・検証した。
• このモデルは、膵臓がんの臨床的意思決定および個別化治療に役立つ可能性がある。
• 特定された主要な予後因子は、膵臓がんの進行に関する洞察を提供する。