一种机器学习方法,用于预测在细胞还原性手术和高温腹腔内化疗后的教科书结果
Amir Ashraf Ganjouei1, Fernanda Romero-Hernandez1, Jaeyun Jane Wang1
1Department of Surgery, University of California, San Francisco, California, USA.
World journal of surgery
|April 23, 2024
概括
机器学习模型可以预测在腹膜癌症的超热腹膜内化学疗法 (CRS-HIPEC) 降细胞器外科手术后实现教科书结果 (TO) 的概率. 这有助于识别手术风险较低的患者,并改善风险沟通.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 医疗信息学 医疗信息学
背景情况:
- 腹癌是癌症的晚期阶段,治疗选择有限.
- 带有高热性腹腔内化疗 (CRS-HIPEC) 的细胞还原性手术提供了一种潜在的治疗方法,但存在重大风险.
- 在CRS-HIPEC后预测患者的结果对于治疗规划和患者咨询至关重要.
研究的目的:
- 开发和验证机器学习模型,以预测在CRS-HIPEC之后实现教科书结果 (TO) 的概率.
- 确定影响TO成绩的关键手术前变量.
- 为临床应用创建一个用户友好的风险计算器.
主要方法:
- 对1954名接受CRS-HIPEC治疗腹癌的成年患者 (2001-2020年) 的回顾性分析.
- TO是根据特定的标准定义的,包括停留时间和90天内没有术后并发症.
- 四个机器学习模型 (逻辑回归,神经网络,随机森林,XGBoost) 被训练并验证.
主要成果:
- 只有13%的患者在CRS-HIPEC后实现了TO.
- XGBoost和物流回归模型显示出最高的预测准确性 (AUC 0.76).
- 关键的TO预测指标包括下腹癌指数和缺乏特定的外科手术程序 (前切除术,切除术,部分切除术).
结论:
- 机器学习模型可以有效地使用手术前数据预测CRS-HIPEC后的TO.
- 开发的风险计算器可以帮助患者选择和知情同意过程.
- 这种数据驱动的方法可以帮助确定适合CRS-HIPEC的患者,并优化外科风险沟通.
