机器学习用于建模和识别胰腺的危险因素
Mikhail B Potievskiy1, Leonid O Petrov2, Sergei A Ivanov3
1Center for Clinical Trials, Center for Innovative Radiological and Regenerative Technologies, FSBI "National Medical Research Radiological Center" of the Ministry of Health of the Russian Federation, Obninsk 249036, Kaluzhskaya Oblast, Russia. potievskiymikhail@gmail.com.
World journal of gastrointestinal oncology
|April 16, 2025
概括
这项研究开发了一种机器学习 (ML) 模型,用于预测手术后的胰腺. 确定的关键风险因素包括瘤血管入侵,年龄和BMI对整体瘤风险,以及对重大并发症的粉酶/白细胞水平.
科学领域:
- 手术瘤学手术瘤学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 胰腺是胰腺手术后的常见和严重并发症.
- 它可以导致严重的问题,如出血和腹膜炎.
研究的目的:
- 创建一个机器学习 (ML) 模型来预测术后胰腺.
- 为了确定与这种并发症相关的显著的手术前和手术内风险因素.
主要方法:
- 一项对150名接受胰腺切除术的患者的回顾性研究.
- 利用后勤回归,随机森林和CatBoost进行预测建模.
- 通过ROC AUC评估模型性能,并通过参数重要性和相关性分析确定风险因素.
主要成果:
- CatBoost算法显示了最高的准确性 (AUC为74%-86%).
- 整体的关键预测因素包括瘤血管入侵 (24.8%),年龄 (18.6%) 和BMI (16.4%).
- 活塞等级B/C的预测因素是生物化学泄漏,血液/排水氨酶水平 (21.6%,16.4%) 和白细胞 (11.2%).
结论:
- 建立了一个强大的ML模型,用于个性化的胰腺风险预测.
- 确定了影响鱼发育的关键手术前和手术后因素.
- 这些发现支持加强个性化的术后护理和有针对性的预防策略.
