在肺癌患者的化疗后肺部感染风险预测模型的构建,基于机器学习算法

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 接受化疗的肺癌患者有第二次肺部感染的风险.
• 这些感染的早期预测对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测肺癌患者化疗后的肺部感染.
• 确定影响感染风险的关键临床和人口因素.

主要方法:

• 对502名接受化疗的肺癌患者进行了回顾性分析.
• 使用SMOTE进行数据平衡,Boruta和Lasso进行特征选择.
• 使用十倍交叉验证训练和评估了六个ML算法 (LR,RF,GNB,MLP,SVM,KNN).
• 使用ROC,精度,灵敏度,特异性,F1得分和校准图表来评估性能.
• 采用了SHAP分析来测试模型的可解释性,并构建了名ograms.

主要成果:

• 鉴定了性别,烟雾,饮料,化疗周期,肺溢液 (PE),中性粒细胞-淋巴细胞计数比 (NLR),中性粒细胞-单细胞计数比 (NMR),淋巴细胞 (LYM) 和中性粒细胞 (NEUT) 作为重要的预测因素.
• 后勤回归 (LR) 模型实现了最高的性能:准确率为81.80%,灵敏度为81.1%,特异性为82.5%,F1得分为81.6%,AUC为0.888.
• 化疗周期和吸烟状态通过SHAP分析被确定为主要预测因素.

结论:

• 开发的ML模型,特别是LR模型,准确地预测肺癌患者的化疗后肺部感染.
• 该模型整合了人口和临床因素,为早期检测和改善临床管理提供了宝贵的工具.
• 创建了交互式和动态的诺姆图,以增强预测模型的临床实用性.