机器学习算法的开发和验证,以基于电子健康记录来预测结肠直肠息肉

科学领域:

• 计算生物学和生物信息学
• 医疗信息学和机器学习
• 胃肠道学和瘤学

背景情况:

• 结肠直肠多是结肠直肠癌的前体,需要改进早期检测方法.
• 目前的查方法可能是侵入性的或昂贵的,突出了需要可访问的替代品.
• 使用易于获得的健康数据开发非侵入性预测模型对于早期诊断至关重要.

研究的目的:

• 开发一种简单的,非侵入性的结肠直肠多的诊断预测模型.
• 利用机器学习 (ML) 与可访问的健康检查记录来预测多.
• 提高早期瘤诊断和改善结直肠癌查策略.

主要方法:

• 一项追溯观察性研究,涉及5426名接受结肠镜查的人.
• 从人口统计,生命体征和实验室数据中使用单变量和拉索回归分析来选择特征.
• 9个ML模型的开发和比较,使用AUC和SHAP分析评估性能.

主要成果:

• 适应性增强机 (AdaBoost) 模型表现最好,在培训队列中达到0.687的AUC,在验证队列中达到0.675.
• 14个独立预测因素被确定为模型建立的关键因素.
• SHAP分析提供了可视化的解释,突出了无症状个体结肠直肠多的主要风险因素.

结论:

• 使用临床和实验室指标的集成ML模型可以有效预测结直肠多.
• 这种方法为无症状人群提供了一个非侵入性和具有成本效益的查策略.
• 该模型可以指导进一步检查和治疗的决策,改善结直肠癌的管理.