基于机器学习的预测术后的胰腺丝在胰腺切除术后
相关实验视频
Updated: Jul 11, 2025
00:13
Modified Single-Loop Reconstruction for Pancreaticoduodenectomy
Published on: September 28, 2019
7.4K
Arjun Verma1, Jeffrey Balian1, Joseph Hadaya1,2
1Cardiovascular Outcomes Research Laboratories, Department of Surgery, David Geffen School of Medicine at UCLA, University of California Los Angeles, Los Angeles, CA.
Annals of surgery
|November 10, 2023
概括
一个新的机器学习模型准确地预测了胰腺切除术后的术后胰腺,超过了现有的方法. 这种预付款有助于手术候选人的风险分层.
科学领域:
- 手术瘤学手术瘤学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 临床相关的术后胰腺囊 (CR-POPF) 复杂化了胰腺双管切除术 (PD).
- 准确的CR-POPF预测对于风险分层和量身定制的治疗至关重要.
- 现有的模型,如修改后的风险评分 (mFRS),在准确性方面存在局限性.
研究的目的:
- 开发和验证一种新的机器学习模型,用于预测PD后的CR-POPF.
- 将新模型的预测性能与已建立的mFRS进行比较.
主要方法:
- 利用美国外科医生学院国家外科质量改进计划 (ACS NSQIP) (2014-2018) 和机构注册表 (2013-2021) 的数据.
- 开发了一种极端梯度增强 (XGBoost) 模型来预测CR-POPF风险.
- 在内部和外部验证队列中,使用接收器操作特征下的面积 (AUROC) 和精度回忆曲线下的面积 (AUPRC) 评估模型性能.
主要成果:
- 与mFRS相比,XGBoost模型在内部 (AUROC:0.72对0.68) 和外部 (AUROC:0.79对0.75) 验证数据集中都显示出优越的歧视.
- 此外,XGBoost的AUPRC值明显高于mFRS.
- 在所有比较中,模型的性能在统计学上显著 (P <0.001).
结论:
- 新的XGBoost机器学习模型可靠地预测PD之后的CR-POPF.
- 该模型的表现始终优于mFRS,表明其可通用性和临床实用性.
- 开发的模型提供了一个改进的工具,用于提高CR-POPF在外科实践中的预测.
