基于机器学习算法的基于网络计算器的开发和验证,以确定基于机器学习算法的心理痛苦风险:对342名肺癌患者进行横截面研究

科学领域:

• 在瘤学瘤学.
• 精神病学是一个精神病学.
• 数据科学数据科学数据科学

背景情况:

• 早期识别肺癌患者的心理痛苦对于及时干预和更好的预后至关重要.
• 目前使用可用数据的预测方法有限.
• 需要开发一个强大的机器学习 (ML) 模型来评估心理痛苦风险.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测肺癌患者的心理痛苦风险.
• 确定与心理痛苦相关的关键风险因素.
• 为早期风险评估创建一个临床上适用的工具.

主要方法:

• 一项涉及342名肺癌患者的横截面研究.
• 使用最小绝对收缩和选择运算符 (LASSO) 进行特征选择.
• 模型开发和验证使用引导重新抽样和五倍交叉验证.
• 用SHapley添加剂扩张 (SHAP) 进行特征重要性评估.

主要成果:

• 确定了七个独立的风险因素:居住地,诊断持续时间,TNM阶段,疼痛严重程度,感知到的耻辱感,疾病感知和应对风格.
• 极端梯度增强 (XGBoost) 算法显示出卓越的性能 (AUROC: 0.988 训练, 0.945 验证, 0.922 测试).
• SHAP分析阐明了每个风险因素的贡献.
• 开发了一个基于网络的风险计算器.

结论:

• XGBoost 分类器在预测心理困扰方面表现出很高的表现.
• 基于网络的风险计算器的临床实施可以帮助卫生从业人员制定早期预防和干预策略.
• 这种工具有助于积极管理肺癌患者的心理痛苦.