对复发性肝病患者的相关性分析和复发评估系统:一个多中心回顾性研究
Zihan Li1,2, Yibo Zhang3, Zixiang Chen1
1Department of General Surgery, The First Affiliated Hospital of Anhui Medical University, Hefei, China.
Frontiers in digital health
|December 12, 2024
概括
机器学习模型准确地预测了手术后复发性肝病 (RH) 风险. 相关性分析和复发评估系统 (CARES) 提供了个性化的监控指导.
科学领域:
- 肝胆道手术是肝胆道的手术.
- 医疗人工智能的人工智能
- 临床预后 临床预后
背景情况:
- 胆道手术后复发性肝病 (RH) 的准确预后是有限的.
- 现有的方法缺乏动态风险评估能力.
- 需要使用包含复杂临床数据的先进预测模型.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于动态预测RH复发的风险.
- 利用高阶关联数据来提高准确度.
- 为临床决策支持创建一个用户友好的工具.
主要方法:
- 从五个中心 (2015-2020年) 的RH患者收集数据.
- 开发了9个ML模型,包括极端梯度增强和轻GBM,形成了CARES系统.
- 采用k倍交叉验证和单独的测试套件进行可靠的评估.
- 使用Shapley添加式解释 (SHAP) 来解释变量的重要性.
主要成果:
- 在RH复发预测方面,ML模型的表现明显优于传统的回归.
- XGBoost 和 LightGBM 实现了 ROC 曲线下的面积 (AUC) > 0.9.9.
- 模型在测试套件上表现出强的性能,表明没有过度装配.
- 确定了关键预测因素:即时/最终的石头清除,之前的手术和手术前的CA19-9.
结论:
- 基于ML的CARES模型有效地预测了肝切除术后的RH复发.
- 在线版本的CARES有助于临床决策和个性化监测.
- 这项研究为治疗复发性肝病患者提供了有价值的工具.
