优化了机器学习模型,用于预测直肠癌前切除术后未计划的重新手术
Yang Su1, Yanqi Li1, Wangshuo Yang1
1Department of Gastrointestinal Surgery Center, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, China; Molecular Medicine Center, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, China.
概括
这项研究开发了一种机器学习模型,用于预测前腔切除后直肠癌患者的无计划重新手术 (URO) 风险. 该模型准确地识别高风险患者,帮助临床决策和改善结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 外科手术的结果
背景情况:
- 由于直肠癌的前切除后的非计划性重新手术 (URO) 会对患者的预后和生活质量产生负面影响.
- 迫切需要准确的预测工具来识别高风险的URO患者.
研究的目的:
- 开发和优化一种机器学习 (ML) 模型,用于预测在接受前切除的直肠癌患者中URO的风险.
- 为实时URO风险评估创建一个用户友好的在线平台.
主要方法:
- 对2384名经过前切除的直肠癌患者的回顾性分析.
- 使用LASSO回归和Boruta算法进行特征选择,然后通过网格搜索和交叉验证进行ML模型开发.
- 使用精度,特异性,灵敏度和AUC进行性能评估;通过SHAP分析进行模型解释.
主要成果:
- 使用14个选定的变量构建了一个强大的ML模型.
- 优化随机森林 (RF) 模型实现了AUC为0.889和准确度为0.842.
- 瘤位置,之前的腹部手术和手术时间被确定为URO风险的关键预测因素.
结论:
- 一个基于ML的优化在线系统被开发用于预测直肠癌患者前切除后的URO风险.
- 该系统提供准确的实时风险评估,支持临床决策.
- 这种工具有可能改善患者的预后和手术结果.
