基于凝血指标,如TEG和神经网络的胃肠道瘤恶性的预测模型

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 医疗信息学 医疗信息学

背景情况:

• 准确的胃肠道 (GI) 瘤恶性瘤的确定对于临床管理至关重要.
• 凝血指数模型为预测瘤恶性瘤提供了一个有希望的途径.
• 现有的方法需要改进,以精确地评估胃肠道瘤恶性病变.

研究的目的:

• 开发和验证机器学习模型,使用凝血指标预测肠道瘤恶性病变.
• 为了确定与肠道肠道瘤恶性相关的独立风险因素.
• 引入一种新的预测模型,以提高诊断准确度.

主要方法:

• 收集了300名胃肠道疾病患者的临床数据,按TNM和G分期分层.
• 采用渐进的多变量逻辑回归来识别独立的影响因素.
• 使用ROC曲线评估TEG (血栓凝结学) 参数和其他凝血指标的区分能力.
• 与传统方法相比,开发和评估了一个剩余完全连接的二进制分类器 (RFCBC) 模型.

主要成果:

• 在G组中,TEG五项表现出优越的瘤恶性分能力.
• 在TNM和G组中,R和MA值被确定为GI瘤恶性瘤的独立影响因素.
• 与其他机器学习模型相比,RFCBC模型实现了最高的预测性能 (88.6%).

结论:

• R和MA值作为GI瘤恶性瘤的独立预测因素.
• 与其他凝血指标相比,TEG参数显示了瘤恶性瘤的强化歧视.
• RFCBC模型为预测胃肠道瘤恶性病症提供了一种新且有效的方法,提高了诊断能力.