通过基于人群的医疗记录数据库中的机器学习驱动预测模型来早期检测鼻癌

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 鼻癌 (NPC) 往往是由于微妙的症状和解剖位置,影响预后,晚诊断.
• 早期发现NPC对于有效治疗和改善患者存活率至关重要.

研究的目的:

• 验证一种机器学习 (ML) 模型,用于预测鼻癌 (NPC) 的发生.
• 通过早期风险识别,缩短NPC的预诊断期.

主要方法:

• 基于人口的医疗保险数据库 (2001-2008) 的分析,比较NPC患者和对照组.
• 使用诊断前90至360天的医疗记录,对五种ML算法 (LGB,XGB,MARS,RF,LG) 的评估.
• 在100万个个体上测试最终模型,用AUROC评估性能,并使用Shapley值识别关键变量.

主要成果:

• 光梯度增强机 (LGB) 模型在诊断前90天内使用14个特征展示了最高的预测能力.
• 在测试数据集上,LGB模型实现了0.83的AUROC,0.81的特异性和0.64的灵敏性.
• 预测工具有效地将患者分为高风险和低风险组,具有显著的危险比率 (5.85).

结论:

• 使用电子医疗记录的机器学习模型可以准确预测NPC.
• 这种风险预测模型作为一个具有成本效益的数字查工具,支持快速的临床决策.
• 识别高风险个体可以及时转诊和干预,这对于管理NPC至关重要.