在使用机器学习的癌症患者中预测静脉血栓栓塞 (VTE) 风险
Samir Khan Townsley1, Debraj Basu1, Jayneel Vora2
1Department of Electrical and Computer Engineering University of California Davis California USA.
Health care science
|June 28, 2024
概括
机器学习模型显著改善了癌症患者的静脉血栓栓塞 (VTE) 预测,优于传统的评分系统. 使用较少特征的优化ML模型保持了高准确度,显示了临床决策支持的前景.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 静脉血栓塞栓症 (VTE) 是癌症患者的重大并发症,约占所有VTE病例的20%.
- 传统的临床评分模型在准确预测VTE风险方面存在局限性.
研究的目的:
- 为了比较机器学习 (ML) 方法与传统临床评分模型的性能,用于癌症患者的VTE预测.
- 为了确定ML模型预测的关键临床生物标志物 (特征).
- 评估特征减少对ML模型性能的影响.
主要方法:
- 开发了一个ML管道,有三个不同的特征选择过程.
- 将管道应用于来自1910年癌症患者电子健康记录的例行患者护理数据.
- 将ML模型性能与传统的VTE风险评分系统进行比较.
主要成果:
- 基于ML的预测模型在15个特征中实现了0.778 ± 0.006的AUC,相当于使用所有29个特征 (0.779 ± 0.006).
- ML模型显著超过了最有效的临床评分系统16.1%.
- 癌症阶段信息被确定为一个有用的预测指标,即使在特征选择后.
结论:
- 在癌症患者中,ML比传统的VTE风险评分系统提供了显著的改进和新的见解.
- 有效的特征选择允许在减少特征集 (15个特征) 的情况下实现高ML模型性能.
- 这些发现支持ML的潜在临床应用,用于预测与癌症相关的VTE,特别是在资源有限的环境中.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
