使用机器学习来识别患有低骨密度或胃切除术后骨质疏松症的高风险患者:一个10年的多中心回顾性分析

科学领域:

• 医疗信息学 医疗信息学
• 在瘤学瘤学.
• 骨的新陈代谢 骨的新陈代谢

背景情况:

• 骨质疏松症是胃切除术后患者的重大长期健康风险.
• 确定手术前,手术内和手术后的危险因素对于预测胃切除术后的骨质疏松症至关重要.
• 早期预测允许及时进行干预和管理策略.

研究的目的:

• 开发一种机器学习算法,用于识别胃切除术后骨质疏松症的危险因素.
• 为了能够在接受胃切除术的患者中积极预测和治疗骨质疏松症.

主要方法:

• 利用了1125名胃癌患者的数据,其中包括108名骨质疏松症患者.
• 收集了40个变量:人口统计,病史,药物和手术细节.
• 使用XGBoost,RF,SVM和KNN模型;使用ROC,校准曲线和DCA进行评估;用于分析的SHAP.

主要成果:

• XGBoost模型表现出优异的性能,AUC为0.957 (训练) 和0.896 (验证).
• 外部验证的AUC为0.73,表明很好的通用性.
• 确定了关键的风险因素:COPD,IBD,低蛋白血,高的术后NLR (>3),类固醇使用,以及晚年.

结论:

• 基于XGBoost的骨质疏松症预测模型显示出高准确性和临床实用性.
• 这种模型可以帮助识别胃切除术后患骨质疏松症的患者.
• 促进个性化风险评估和有针对性的预防策略.