基于PARITY试验数据的数据,开发机器学习模型,预测下肢瘤切除和内置假肢重建后的一年内重新手术的风险
Jiawen Deng1, Myron Moskalyk2, Matthew Shammas-Toma1
1Temerty Faculty of Medicine, University of Toronto, Toronto, Ontario, Canada.
Journal of surgical oncology
|September 11, 2024
概括
一个机器学习模型可以预测下肢癌症手术后重新手术的风险. 这种工具有助于分层患者的风险,改善咨询和手术规划,以减少并发症.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 外科手术的结果
背景情况:
- 下肢癌症手术后的再手术会对患者的治疗结果和医疗资源产生负面影响.
- 预测重新手术风险对于优化患者护理和资源配置至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测下肢瘤切除和重建后1年的再手术风险.
- 确定重新操作的关键预测因素,以告知临床决策.
主要方法:
- 使用了来自 PARITY 试验的数据,遵守 TRIPOD+AI 准则.
- 开发并比较了六个ML算法,包括一个多项式支持向量机 (SVM).
- 采用五倍交叉验证用于模型调整和校准,通过分类和校准指标评估性能.
主要成果:
- 多项式SVM模型表现出最佳性能,AUC-ROC为0.73和Brier分数为0.17.
- 在最佳值时,SVM获得了45%的灵敏度和81%的特异性;在高灵敏度值时,它获得了68%的灵敏度和68%的特异性.
- 总操作时间成为重新操作风险的最重要的预测指标.
结论:
- 开发的ML模型可以有效地对接受下肢癌症手术的患者进行再手术风险分层.
- 这些预测工具可以增强患者咨询,并指导医生实施降低风险的策略.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
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
