使用机器学习预测肝细胞癌微创性肝切除术的复杂性
Giovanni Catalano1, Laura Alaimo1, Odysseas P Chatzipanagiotou2
1Department of Surgery, The Ohio State University Wexner Medical Center and James Comprehensive Cancer Center, Columbus, OH, USA; Department of Surgery, University of Verona, Verona, Italy.
概括
机器学习准确地预测了肝癌复杂的微创性肝脏手术. 这种工具有助于术前规划,资源分配,并改善肝细胞癌治疗患者的结果.
科学领域:
- 肝胆道手术是肝胆道的手术.
- 手术瘤学手术瘤学
- 医学中的人工智能
背景情况:
- 肝细胞癌 (HCC) 的最小侵入性肝脏手术 (MILS) 提出了重大挑战.
- 目前缺乏有效的工具来评估MILS的复杂性.
- 机器学习 (ML) 提供了改善MILS复杂性评估的潜力.
研究的目的:
- 开发和验证一种机器学习模型,用于预测MILS中HCC的外科复杂性.
- 确定影响MILS复杂性的关键临床和放射学因素.
- 为手术前风险分层创建一个实用的工具.
主要方法:
- 一个XGBoost ML模型是使用从845名患者的临床和放射学数据进行治疗意图的MILS进行HCC.开发的.
- 该模型根据患者的特征预测了手术复杂性.
- 在训练和测试队列中使用ROC-AUC评估模型性能.
主要成果:
- ML模型显示了外科复杂性的高预测能力 (ROC-AUC:0.86培训,0.73测试).
- 更高的查尔森并发症指数 (CCI) 和瘤负担得分 (TBS) 与高风险患者有关.
- 预计复杂的手术与严重并发症的增加相关 (OR 4.77).
结论:
- 在手术前基于ML的MILS复杂性的HCC预测是可行的和准确的.
- 这种方法可以增强术前规划,优化资源配置,并改善患者的治疗结果.
- 开发了一种可访问的计算器,以促进临床应用.
