基于五种机器学习算法,对患有癌症相关疼痛的患者的阿片类药物不依赖风险预测

科学领域:

• 在瘤学瘤学.
• 疼痛管理 疼痛管理
• 机器学习 机器学习

背景情况:

• 阿片类药物不是有效的癌症疼痛管理的主要障碍.
• 目前用于预测癌症患者吸食阿片类药物的方法不足.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测癌症患者的阿片类药物不坚持.
• 评估开发的ML模型的临床可行性,以优化癌症疼痛管理.

主要方法:

• 一项涉及1195名癌症患者的横截面研究的二次分析.
• 使用了五种ML算法 (逻辑回归,随机森林,极端梯度提升,多层感知子,支持向量机器).
• 使用AUC-ROC,准确度,精度,灵敏度,特异性和F1得分来评估预测准确度,通过决策曲线分析 (DCA) 评估临床效用.

主要成果:

• 后勤回归 (LR) 模型表现出最佳性能,AUC-ROC为0.82,精度为0.82,特异性为0.71.
• 决策曲线分析表明,LR模型可以为高风险患者指导有益的临床干预措施.
• 坚持的关键预测因素包括对药物问卷 (BMQ) 危害的信念,阿片类药物开始以来的时间和BMQ的必要性.

结论:

• 机器学习模型,特别是后勤回归,可以有效地预测癌症患者的阿片类药物不坚持.
• 这种预测能力使积极的临床干预能够增强癌症疼痛管理.
• 该研究强调了ML在癌症幸存者个性化疼痛治疗策略中的潜力.