机器学习模型可以预测癌症相关的扩散性血管内凝血在严重疾病的结直肠癌患者
Li Qin1,2, Jieling Mao1,3, Min Gao1,2
1Department of Pharmacy, the Sixth Affiliated Hospital, Sun Yat-sen University, Guangzhou, China.
Frontiers in pharmacology
|December 5, 2024
概括
机器学习模型有效地预测了严重患结直肠癌 (CRC) 患者的传播性血管内凝血 (DIC). 极端梯度增强 (XGB) 模型显示了改善高风险人群的临床决策的前景.
科学领域:
- 在瘤学瘤学.
- 关键护理医学 关键护理医学
- 数据科学数据科学数据科学
背景情况:
- 在癌症患者中,由于复杂的发病因子,传播性血管内凝血 (DIC) 评估具有挑战性.
- 危急性结肠直肠癌 (CRC) 患者患有DIC的风险很高.
- 预测模型是必要的,以帮助在这个人群中早期发现和管理DIC.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测重症CRC患者的明显DIC.
- 将ML模型的性能与已建立的DIC评分系统进行比较,以预测明显的DIC和30天死亡率.
- 在这个队列中确定用于DIC预测的最有效的ML算法.
主要方法:
- 一项回顾性研究包括2,766名重症CRC患者.
- 通过5倍交叉验证训练和验证了四个ML算法.
- 模型性能使用ROC-AUC进行评估,用于预测明显的DIC和30天死亡率,并与ISTH DIC-2001,ISTH DIC-2018和JAAM DIC得分进行比较.
主要成果:
- 极端梯度增强 (XGB) 模型在预测明显的DIC (ROC-AUC:0.848) 和30天死亡率 (ROC-AUC:0.708) 中表现优异.
- 根据诊断标准,明显的DIC的流行率有所不同:25.3% (ISTH DIC-2001),36.9% (ISTH DIC-2018) 和23.9% (JAAM DIC).
- 已确立的DIC得分在预测30天死亡率方面表现适度 (ROC-AUC从0.658到0.692不等).
结论:
- ML模型,特别是XGB模型,是预测重症CRC患者明显DIC的有效工具.
- 开发的ML模型提供了一种有希望的方法,以增强这一患者群体的临床决策.
- 早期和准确的DIC预测可能会导致改善患者的治疗结果.
