基于机器学习的模型用于预测胃癌患者中的呈现延迟风险

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 胃癌患者的呈现延迟导致诊断和治疗延迟,对预后产生负面影响.
• 预测表现延迟的风险对于改善患者的治疗结果至关重要.
• 机器学习为开发临床决策支持预测模型提供了一个有前途的方法.

研究的目的:

• 开发和验证用于预测胃癌患者呈现延迟风险的机器学习模型.
• 确定导致呈现延迟的关键因素.
• 为临床应用选择最佳模型.

主要方法:

• 使用了衍生队列 (875名胃癌患者) 和外部验证队列 (200名患者).
• 开发了六种机器学习模型:物流回归,SVM,随机森林,GBDT,XGBoost和MLP.
• 使用AUC,精度,灵敏度,特异性,PPV,NPV,F1-Score和Brier分数等指标评估模型性能.

主要成果:

• 呈现延迟的发生率为39.3%.
• 所有开发的模型都表现出良好的区分和校准,AUC范围为0.893-0.925.
• 基于随机森林 (RF) 的模型被选为表现最佳的模型,在内部和外部验证中显示出强的结果.

结论:

• 基于射频的模型在预测胃癌患者的呈现延迟方面表现良好.
• 该模型可以帮助医疗保健专业人员识别高风险患者.
• 早期识别有助于针对性干预,以减轻表现延迟和改善治疗结果.