构建和验证基于机器学习的预测模型,用于在内镜粘膜切除后一年内肠直肠多的复发

科学领域:

• 胃肠病学和肝病学
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 结肠直肠多是结肠直肠癌的癌前病变.
• 早期检测和切除息肉可以降低癌症死亡率.
• 内镜粘膜切除 (EMR) 的复发率很高,缺乏预测模型.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测EMR后一年内结肠直肠多的复发.
• 为了确定聚合体复发的关键风险因素.
• 改进EMR后患者管理策略.

主要方法:

• 分别从1694名患者和166名患者收集了回顾性和前性数据.
• 通过逻辑回归来选择特征,采用了五种ML算法.
• 模型性能使用AUC,DCA和SHAP分析进行评估.

主要成果:

• 确定了8个独立的复发风险因素.
• 极端梯度增强 (XGBoost) 模型在数据集中实现了高AUC (0.909-0.963).
• SHAP分析强调吸烟史,家族史和年龄作为关键预测因素.

结论:

• XGBoost模型在结肠直肠多复发方面表现出色的预测性能.
• 这种ML模型可以指导个性化结肠镜后续时间表.
• 这些发现支持EMR后加强患者监测.