机器学习模型和名图的开发和验证,用于预测直肠癌中腹腔镜切除的手术难度

科学领域:

• 手术瘤学手术瘤学
• 机器学习在医学中的应用
• 结直肠癌手术 结直肠癌手术

背景情况:

• 腹腔镜全腹膜切除术 (Laparoscopic total mesorectal excision,简称LaTME) 是对直肠癌的一个复杂的手术.
• 在手术前评估手术困难对于有效的手术规划至关重要.
• 现有的方法可能无法完全捕捉到LATME难度的细微差别.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测LaTME手术难度.
• 识别影响LATME困难的独立手术前和手术内风险因素.
• 创建一个名图,以协助临床医生进行手术规划.

主要方法:

• 利用拉索回归来对186名直肠癌患者进行变量选择.
• 开发并验证了四种ML模型:逻辑回归 (LR),支持矢量机 (SVM),随机森林 (RF) 和决策树 (DT).
• 使用AUC,灵敏度,特异性和准确度评估模型性能;开发了一个基于后勤回归的名图.

主要成果:

• 在验证队列中,所有四种ML模型都表现良好 (SVM AUC=0.987,RF AUC=0.953,LR AUC=0.950,DT AUC=0.904).
• 建立了基于逻辑回归的诺米图,结合了诸如BMI,瘤距离,内脏和皮下脂肪组织放射密度,瘤直径和高血压等因素.
• 确定了手术困难的关键预测因素.

结论:

• 机器学习模型和基于逻辑回归的名图可以有效地预测LaTME手术难度.
• 这些工具可以帮助外科医生进行手术前评估和手术方案选择.
• 在手术规划中整合ML可能会改善患者的治疗结果.