在肺癌视频辅助胸腔镜手术后,数据驱动的长期空气泄漏的预测:通过ePath系统开发和验证基于机器学习的模型,使用真实世界的数据
Saori Tou1, Koutarou Matsumoto1, Asato Hashinokuchi2
1Department of Health Care Administration and Management, Graduate School of Medical Sciences Kyushu University Fukuoka Japan.
Learning health systems
|April 18, 2025
概括
这项研究开发了一种机器学习模型,使用电子健康数据来预测肺癌手术后长时间的空气泄漏. 该模型在现实世界临床环境中展示了可靠的性能.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 预测临床结果的预测
背景情况:
- 预测的真实世界数据可靠性至关重要,但不确定.
- 电子临床途径 (ePath) 系统提供了有价值的数据来源.
- 预测长期空气泄漏 (PAL) 等临床结果可以改善患者的护理.
研究的目的:
- 开发和验证用于预测PAL的机器学习模型.
- 利用来自ePath系统的真实世界数据用于模型开发.
- 在外部验证队列中评估模型性能.
主要方法:
- 从接受视频辅助胸腔镜手术的肺癌患者收集的数据.
- 开发了稀疏线性回归和决策树组合模型.
- 经过验证的模型使用接收器操作特征曲线 (AUROC) 下的面积和校准图.
主要成果:
- 包含七个关键变量的模型显示出强大的区分能力 (AUROCs: 0.75-0.84).
- 将连续变量二体化改进了决策树模型的性能.
- 模型在内部和外部队列中都显示了令人满意的校准.
结论:
- 使用ePath系统开发的数据驱动预测模型有效地预测PAL.
- 优化变量和考虑人口特征是现实世界模型性能的关键.
- 该模型显示了改善视频辅助胸腔镜手术患者管理的前景.
