基于机器学习的非哺乳期乳腺炎术后复发的预测模型
Jiaye Sun1, Shijun Shao1, Hua Wan2
1Department of Mammary, Shuguang Hospital, Shanghai University of Traditional Chinese Medicine, 200021, Shanghai, China.
BMC medical informatics and decision making
|April 22, 2024
概括
机器学习模型使用Random Forest和XGBoost预测非哺乳期乳腺炎复发风险. XGBoost表现出卓越的性能,识别了关键预测因素,如手术期间的放电,以获得更好的临床指导.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 手术瘤学手术瘤学
背景情况:
- 手术后非哺乳乳性乳腺炎 (NLM) 复发是一个临床挑战.
- 需要预测模型来识别患有复发高风险的患者.
- 机器学习为开发准确的预测工具提供了潜力.
研究的目的:
- 开发和比较随机森林 (RF) 和XGBoost机器学习模型,用于预测NLM复发.
- 确定影响NLM复发风险的关键临床特征.
- 为NLM患者的治疗计划提供临床指导.
主要方法:
- 从2019年7月到2021年12月,对258例住院NLM病例进行了回顾性分析.
- 用于训练RF和XGBoost模型的十个选定的特征 (例如BMI,WBC,手术内放电).
- 使用准确度,精度,回忆,F1分数和AUC评估模型性能;用于解释的SHAP值.
主要成果:
- 在NLM患者队列中观察到18.6%的复发率.
- 在预测NLM复发方面,XGBoost模型的表现优于RF模型.
- 在XGBoost模型中,手术内放电是最重要的预测因素;在RF模型中,BMI是最重要的预测因素.
结论:
- 机器学习模型,特别是XGBoost,显示出对NLM复发的显著预测能力.
- SHAP价值分析验证了模型的预测,并提高了临床解释性.
- 这些模型为NLM管理中的风险分层和个性化治疗策略提供了有价值的工具.
