一种可解释的机器学习方法来预测脊柱和骨盆脊髓瘤的生存结果

科学领域:

• 在瘤学瘤学.
• 机器学习在医学中的应用
• 癌症预后 癌症预后

背景情况:

• 脊髓瘤患者的生存因素已知,但个性化预测需要先进的方法.
• 现有的名ograms与复杂的数据交互作斗争,可能不适合现实世界的场景.
• 准确的预后对于有效的患者管理和治疗规划至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测脊柱和椎带瘤患者的5年和10年死亡率.
• 将这些预测模型集成到可访问的网络应用程序中,以提高临床预后.
• 为个别患者提供可解释和个性化的生存估计.

主要方法:

• 一个回顾性,基于人口的队列研究利用了来自国家癌症数据库 (NCDB) 的数据.
• 使用了五个受监督的ML算法 (TabPFN,CatBoost,XGBoost,LightGBM,随机森林).
• 模型性能是使用接收器操作特征 (AUROC) 曲线下的面积进行评估的,用于解释性是SHapley添加式扩展 (SHAP).

主要成果:

• 该研究包括1206名5年死亡率患者和801名10年死亡率患者.
• CatBoost模型在5年 (AUROC 0.801) 和10年 (AUROC 0.814) 的死亡预测中都表现出卓越的表现.
• 特性重要性分析提供了对影响生存结果的关键预测因素的见解.

结论:

• 开发的ML模型准确地预测脊髓瘤患者的短期和长期生存概率.
• 集成的Web应用程序提供了定量,个性化的生存估计与透明的,可解释的预测.
• 建议进行外部验证,以确认预后工具的概括性和临床实用性.