预测前列腺癌诊断使用机器学习 分析医疗保健利用模式

科学领域:

• 计算瘤学是一种计算瘤学.
• 医疗信息学 医疗信息学
• 机器学习在医疗保健中的应用

背景情况:

• 早期发现前列腺癌对于有效治疗和改善患者的治疗结果至关重要.
• 了解诊断前医疗保健利用模式可以为预测建模提供信息.
• 我们所有人研究计划为研究疾病预测提供了丰富的数据集.

研究的目的:

• 调查前列腺癌诊断之前的医疗保健利用模式.
• 开发和评估用于早期前列腺癌预测的机器学习模型.
• 确定预测前列腺癌诊断的关键临床变量.

主要方法:

• 利用了来自我们所有人研究计划的数据 (1,276名癌症患者,1,232名对照).
• 从程序,测量和条件记录中提取的特征,包括前列腺特异性抗原 (PSA) 水平,并发症指数和症状.
• 训练并测试多个机器学习模型 (例如,XGBoost) 来预测前列腺癌诊断在3,6,9和12个月前.

主要成果:

• XGBoost模型在3个月 (精度=0.73,F1=0.73,AUC=0.82) 和6个月 (精度=0.71,F1=0.71,AUC=0.78) 实现了最高性能.
• 预测性能随着更长的预测时间窗口而下降.
• 前列腺特异性抗原 (PSA) 水平是最重要的预测因素,其次是甘油三和肌素水平.

结论:

• 机器学习模型可以有效地预测前列腺癌诊断,使用诊断前的医疗保健利用数据.
• 早期预测是可行的,特别是在诊断前3-6个月的窗口内.
• 在早期前列腺癌预测模型中,PSA水平是关键因素.