机器学习模型的开发和验证,用于预测结直肠癌患者的静脉血栓栓塞:中国的一组研究
Zuhai Hu1, Xiaosheng Li2, Yuliang Yuan1
1Chongqing Cancer Multiomics Big Data Application Engineering Research Center, Chongqing University Cancer Hospital, Chongqing 400030, China.
International journal of medical informatics
|December 28, 2024
概括
这项研究开发了一种机器学习模型,用于预测结直肠癌患者的静脉血栓栓塞 (VTE) 风险. 随机森林 (RF) 模型显示出高准确性,为这一患者群体提供了更好的风险评估.
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:
- 传统的静脉血栓塞栓症 (VTE) 风险评估工具对于现代医疗保健来说是不够的.
- 需要专门的和创新的VTE风险评估方法,特别是对于癌症患者.
研究的目的:
- 开发用于VTE风险评估的可靠和高效的机器学习模型.
- 为了利用结直肠癌患者的基本数据和临床特征进行VTE预测.
主要方法:
- 利用六个机器学习算法来预测直肠癌患者的静脉瘤.
- 采用LASSO回归用于变量选择和5倍交叉验证用于超参数调整.
- 使用AUC,ACC和F1分数评估模型性能.
主要成果:
- 随机森林 (RF) 模型在内部和外部验证数据集中表现出卓越的性能.
- 在内部验证中,RF模型获得了高精度 (例如,AD-AUC 0.895,AD-ACC 0.871).
- 射频模型在外部验证数据 (ACC 0.728,F1 0.292) 上表现强,即使使用了替代失衡处理技术.
结论:
- 在结直肠癌患者中成功建立并验证了基于机器学习的VTE风险评估模型.
- 开发的RF模型为改善VTE风险分层在这个人群中提供了一个有效的工具.


