机器学习洞察力:揭示了胃癌术后并发症的被忽视的危险因素

科学领域:

• 在瘤学瘤学.
• 外科手术的结果
• 数据科学在医学中的数据科学

背景情况:

• 胃癌胃切除术后的术后并发症显著影响患者的结果.
• 传统的预测模型在识别复杂风险因素方面存在局限性.
• 机器学习 (ML) 为分析复杂的变量相互作用和非线性关系提供了先进的功能.

研究的目的:

• 探索之前被忽视的胃切除术后术后并发症的危险因素.
• 将ML模型的预测性能与传统线性回归进行比较.
• 为了提高胃癌手术患者的手术前风险评估.

主要方法:

• 从865名因为胃癌而接受胃切除术的患者 (2018-2022) 的数据的回顾性审查.
• 利用了85个变量,包括人口统计,临床,实验室,手术内和病理数据.
• 采用逆向消除,调节缺失数据策略,以及用于模型优化的超参数调整.

主要成果:

• 机器学习模型,特别是随机森林和XGBoost,表现优于线性回归.
• 最好的ML模型实现了曲线下的面积为0.744.
• 确定了与并发症相关的15个变量,其中手术时间,手术前白蛋白和平均体质血红蛋白是最重要的.

结论:

• 机器学习与先进的变量选择相结合,显着有望改善胃癌手术中术后并发症的预测.
• 这种方法可以帮助更好地进行术前规划和患者管理.
• 进一步的研究可以完善ML模型以实现个性化的风险分层.