在基于机器学习算法的结直肠癌患者术后深静脉血栓的风险预测模型的构建
Xin Liu1, Xingming Shu1, Yejiang Zhou2
1Department of Clinical Medicine, Southwest Medical University, Luzhou, China.
Frontiers in oncology
|December 12, 2024
概括
一种机器学习模型有效预测结直肠癌患者的深静脉血栓症 (DVT). XGBoost模型显示高精度,有助于早期检测和治疗,改善患者的安全性和恢复.
科学领域:
- 在瘤学瘤学.
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 大肠直肠癌 (CRC) 是一种常见的恶性瘤,发病率不断增加.
- 下肢深静脉血栓症 (DVT) 是CRC患者经常出现的术后并发症,影响高达40%的患者.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测结直肠癌患者的DVT风险.
- 促进及时的预防和治疗干预,以提高患者的安全和康复.
主要方法:
- 429名CRC患者的回顾性队列研究 (2021年1月至2024年1月).
- 数据包括人口统计,临床因素和并发症;不平衡的数据用SMOTE解决.
- 通过RF,XGBoost,LASSO进行特征选择;通过AUC,精度,灵敏度,特异性,F1得分进行训练和评估的六个ML模型;用于可解释性的SHAP和LIME.
主要成果:
- 确定了重要的预测因素:年龄,手术前的前白蛋白,白蛋白,血红蛋白,手术时间,PIKVA2,CEA和中性粒细胞计数.
- XGBoost模型实现了卓越的性能:AUC 0.996,准确度 0.9636,特异性 0.9778,F1得分 0.9576.
- SHAP分析强调年龄和手术前前白蛋白作为关键预测因素;LIME用于个人预测解释.
结论:
- ML算法,特别是XGBoost,可以准确地预测结直肠癌患者的术后DVT.
- 开发的XGBoost模型显示了早期DVT检测和改善CRC患者临床管理的巨大潜力.
