基于临床数据的可解释性预测机器学习模型的性胆囊炎:一个回顾性单中心研究研究
Ying Ma1, Man Luo2, Guoxin Guan1
1Department of General Surgery, The Second Hospital of Dalian Medical University, Zhongshan Road, Shahekou District, Dalian City, Liaoning Province, 116023, China.
World journal of emergency surgery : WJES
|January 5, 2025
概括
这项研究开发了一种可解释的机器学习模型,以早期预测癌性胆囊炎 (GC). 该模型使用关键的临床特征来帮助及时进行手术干预,改善患者的治疗结果.
科学领域:
- 医疗信息学医学信息学
- 临床诊断 临床诊断 临床诊断
- 机器学习在医疗保健中的应用
背景情况:
- 坏血性胆囊炎 (GC) 具有重大临床挑战,患病率和死亡率高.
- 机器学习 (ML) 为分析复杂的临床数据提供了潜力.
- 可解释的AI对于临床决策支持系统至关重要.
研究的目的:
- 开发一种可解释且具有成本效益的预测模型,用于早期检测性胆囊炎 (GC).
- 为了利用机器学习 (ML) 和Shapley添加式解释 (SHAP) 来进行GC预测.
- 加强临床决策,以便在GC患者中及时进行手术干预.
主要方法:
- 分析了1006名具有26个临床特征的患者队列.
- 一个集成的学习模型XGBoost被确定为使用5倍交叉验证的最佳执行者.
- 用SHAP算法用于模型解释性和特征选择.
主要成果:
- 发现的关键预测特征包括WBC,NLR,D-二次数,胆囊宽度,纤维素,胆囊壁和电解质失衡 (低血/低血).
- 这些选定的特征构成了最终诊断预测模型的基础.
- 开发的模型在预测GC方面表现出有效性.
结论:
- 成功开发了一种可解释的预测工具,用于早期GC.
- 这种工具可以帮助临床医生快速做出手术干预决策.
- 模型所促进的早期和准确的诊断可以为GC患者带来迅速的手术.
