基于机器学习的自动化模型,用于预测前切除的直肠癌患者的良性静脉狭窄
Yang Su1, Yanqi Li1, Wenshu Chen2
1Department of Gastrointestinal Surgery Center, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, China; Molecular Medicine Center, Tongi Hospita, Tongi Medical College, Huazhong University of Science and Technology, 430030, Wuhan, China.
概括
研究人员开发了一种机器学习模型,用于预测直肠癌手术后良性静脉狭窄 (BAS). 这种工具有助于预防BAS并改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 医疗信息学 医疗信息学
背景情况:
- 良性静脉狭窄 (BAS) 对直肠癌患者的生活质量和预后产生负面影响.
- 目前,临床实践中缺乏BAS的准确预测工具.
- 对直肠癌的前切除需要可靠的方法来预测潜在的并发症,如BAS.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测在接受直肠癌前切除术的患者中BAS.
- 确定导致BAS发展的关键临床因素.
- 创建一个用户友好的工具用于临床应用在BAS风险评估.
主要方法:
- 对1973年患者的数据进行了回顾性分析,这些患者因直肠癌而经历了前切除.
- 开发和比较多个ML分类模型.
- 使用ROC曲线,DCA和校准图表评估模型性能.
- 利用SHAP算法用于模型解释性和重要预测因子的识别.
主要成果:
- 随机森林 (RF) 模型表现出最佳的性能 (AUC:0.888,精度:0.792).
- 通过SHAP分析确定的关键预测因素包括预防性结节管,手术时间和门泄漏.
- 该模型在基于临床特征的预测BAS方面取得了很高的准确性.
结论:
- 一个强大的ML模型和在线预测工具已成功开发,用于预测BAS前后切除.
- 这种工具可以帮助预防BAS,并增强直肠癌患者的临床决策.
- 这些发现支持将ML纳入外科瘤学,以改善患者管理和结果.
