在COVID-19时代,可解释的人工智能分析甲疗法在宫癌中增加了收件

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 支臂疗法对于治疗局部晚期宫癌 (LACC) 是至关重要的.
• 文献表明,许多LACC患者没有获得推的支臂治疗增强剂.
• 支臂疗法获取和利用的差异需要调查.

研究的目的:

• 对LACC患者来说,增强支臂疗法利用率的差异.
• 使用机器学习 (ML) 识别影响支臂疗法增强接收的因素.
• 为了评估COVID-19大流行对支臂疗法增强利用的影响.

主要方法:

• 利用国家癌症数据库识别LACC患者 (2004-2020年).
• 训练了五个ML模型,以预测brachytherapy增强接收.
• 为了模型的可解释性,采用了夏普利添加式解释 (SHAP).
• 对2019-2020年间诊断的患者进行了分分析,以评估COVID-19的影响.

主要成果:

• 总共有37,564名LACC患者被分析;59.3%的患者整体接受了支臂治疗.
• 在2019-2020年队列中,76.4%的患者接受了支臂疗法.
• 整体队列中的关键预测因素包括诊断年,阶段,年龄和保险.
• 在COVID队列中,FIGO阶段,年龄,保险和医院类型是最具预测性的.
• 在放射治疗期间,73.1%的COVID-19患者接受了支臂疗法.

结论:

• 支臂疗法增强利用率显示了一种逐渐增长的趋势.
• COVID-19大流行并没有显著改变支臂疗法增强利用趋势.
• ML可以识别未充分利用支臂治疗的患者群体,为改进获取机会的策略提供信息.