机器学习驱动的建模用于预测胰腺癌的胰腺切除术后的放电后静脉血栓栓塞
Kaleem S Ahmed1, Sheriff M Issaka1, Clayton T Marcinak1
1Division of Surgical Oncology, Department of Surgery, UW Carbone Cancer Center, University of Wisconsin School of Medicine and Public Health, Madison, WI, USA.
Annals of surgical oncology
|February 20, 2025
概括
机器学习准确地预测了胰腺癌患者出院后静脉血栓栓塞 (pdVTE) 风险. 这使得个性化预防成为可能,优化护理并减少不必要的治疗.
科学领域:
- 在瘤学瘤学.
- 数据科学数据科学数据科学
- 外科手术的结果
背景情况:
- 出院后静脉血栓塞栓症 (pdVTE) 是胰腺癌 (PC) 手术后的一个重大风险.
- 目前化学预防的遵守率很低,需要风险分层.
- 预测模型可以个性化扩展化疗预防,平衡疗效和风险.
研究的目的:
- 评估机器学习模型在预测pdVTE方面的可行性.
- 为了识别高风险患者进行量身定制的VTE预防.
- 为了改善胰腺癌切除后的患者结果.
主要方法:
- 利用了国家外科质量改善计划数据库 (2014-2020年).
- 训练并测试了后勤回归,决策树,随机森林和梯度增强模型.
- 包括人口统计学,临床,实验室,癌症和手术特定的变量.
主要成果:
- 包括51,916名患者;1.4%的患者经历过pdVTE.
- 梯度增强 (AUC 0.83),随机森林 (AUC 0.80) 和决策树 (AUC 0.80) 的表现优于后勤回归 (AUC 0.72).
- 关键预测因素包括手术内抗生素,输血,停留时间和术后感染.
结论:
- 机器学习模型可靠地识别患有pdVTE高风险的患者.
- 这些模型可以指导延长VTE预防的处方.
- 个性化预防策略可以改善患者安全和资源配置.
