通过机器学习重新审视内镜第三心室静脉切除术成功率:我们能做得更好吗?

科学领域:

• 神经外科 神经外科
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 内镜第三腔除风术成功评分 (ETVSS) 有助于预测脑的手术结果.
• 对于ETVSS的原始物流回归 (LR) 模型,预测性能中等 (AUROC 0.68).
• 需要更大的数据集来开发和验证ETV成功的改进预测模型.

研究的目的:

• 开发和验证更准确的机器学习 (ML) 模型,以预测内镜第三心室静脉切除术 (ETV) 的成功.
• 执行迄今为止最大规模的ETVSS外部验证.
• 将各种ML算法的性能与已建立的ETVSS进行比较.

主要方法:

• 利用MarketScan数据库 (2005-2022) 识别首次接受ETV的儿科患者 (<18岁).
• 收集了关于ETVSS预测因子的数据:年龄,水头病因和先前的冲刺史.
• 应用了六个ML算法 (LR,SVM,随机森林,k-NN,XGBoost,Naive Bayes) 和嵌套交叉验证用于模型评估.

主要成果:

• 包括2047名患者;61.6%的人成功获得ETV.
• 原来的ETVSS在验证组中获得了0.693的AUROC,在测试组中达到0.661.
• 新的LR和XGBoost模型的性能与原来的ETVSS相当,AUROC约为0.67-0.69.69.

结论:

• 这次大规模验证证实了ETVSS的适度预测性能.
• 与ETVSS相比,复杂的ML算法并没有大大提高预测准确度.
• 未来的改进需要新的和更维的输入数据,而不仅仅是先进的建模技术.