基于机器学习的预测,在完整的中切除后,对胃衰竭风险进行预测
Wei Wang1, Zhu Yan2, Zhanshuo Zhang3
1Department of Pain, The Affiliated Wuxi People's Hospital of Nanjing Medical University, Wuxi Medical Center, Nanjing Medical University, Wuxi People's Hospital, Wuxi, China.
Discover oncology
|September 27, 2024
概括
一个新的机器学习模型有效地预测结肠癌手术后的胃衰竭风险. 关键因素包括年龄,手术持续时间,血液损失和糖尿病等先前存在的疾病.
科学领域:
- 在瘤学瘤学.
- 手术创新 在外科创新.
- 医疗信息学 医疗信息学
背景情况:
- 胃衰竭是完全中切除 (CME) 后的一个显著并发症.
- 预测和缓解手术后的胃衰竭对于患者的结果至关重要.
- 确定手术前,手术期间和手术后的风险因素是必不可少的.
研究的目的:
- 开发一种机器学习模型,用于预测CME后的胃衰竭风险.
- 在经历CME的结肠癌患者中确定胃衰竭的关键预测因子.
- 通过早期风险分层来加强患者管理策略.
主要方法:
- 利用了1146名结肠癌患者的数据,其中95人患有胃衰竭.
- 收集了34个变量,包括人口统计,并发症,手术细节和实验室结果.
- 使用并评估了使用交叉验证和ROC分析的极端梯度增强 (XGBoost),随机森林 (RF),支向量机 (SVM) 和k-最近邻居 (KNN) 模型.
主要成果:
- XGBoost表现出优异的预测性能,AUC为0.976 (训练) 和0.906 (验证).
- 外部验证显示出强大的概括能力,AUC为0.77.
- 决策曲线分析证实了XGBoost对干预决策的临床实用性.
结论:
- XGBoost模型有效地预测了结肠癌患者中CME后胃衰竭风险.
- 确定的危险因素包括晚年,长时间的手术,手术期间流血,手术技术,血清蛋白低,贫血,糖尿病和甲状腺功能低下.
- 该模型为主动管理胃衰竭提供了一个有价值的工具.
