基于可解释机器学习算法的结直肠癌患者术后住院时间的预测模型的构建:一项前性初步研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 医疗保健服务研究 医疗服务研究

背景情况:

• 结肠直肠癌 (CRC) 患者的长时间住院增加了医疗保健成本,并对患者的预后产生了负面影响.
• 预测延长住院时间对于资源配置和个性化患者管理至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测术后结直肠癌患者长期住院的情况.
• 确定与延长住院时间相关的关键术前和术后因素.

主要方法:

• 来自83名结直肠癌患者的临床数据的前性收集.
• 拉索回归算法的应用在39个预测因素中进行变量选择.
• 使用Bootstrap ROC曲线和校准曲线构建和评估十个ML模型,包括后勤回归,随机森林和梯度提升.

主要成果:

• 确定了10个重要变量,拉索回归和Bootstrap重新抽样验证了它们的重要性.
• 后勤回归模型表现出优异的性能,曲线下的面积 (AUC) 为0.99 (95% CI:0.97-0.99).
• 可解释人工智能 (SHAP) 分析确定手术后第三天的步行距离是后勤回归模型最有影响力的预测因素.

结论:

• 一个强大的ML模型已成功开发,用于预测结直肠癌患者的术后住院时间.
• 该模型为临床医生提供了一种有价值的工具,可以预测长时间住院,促进个性化护理干预.
• 提高预测准确度可以带来更好的患者结果,提高生活质量和更有效地利用医疗资源.