基于临床因素的简单,可解释的机器学习模型准确地预测了巴雷特食道发生的发生性质变形或恶性病变

科学领域:

• 胃肠病学 胃肠病学
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 巴雷特食道 (Barrett's Esophagus,BE) 监测对于早期检测发育不良或恶性瘤至关重要.
• 目前关于BE进展的预测模型存在局限性.
• 机器学习 (ML) 提供了改善BE患者风险分层的潜力.

研究的目的:

• 评估ML模型在预测退伍军人BE队列中发生的发育不良或恶性瘤方面的表现.
• 确定最有效的ML方法来预测BE进展.

主要方法:

• 对598名退伍军人患者进行分析,这些患者患有非发育不良的BE,不确定发育不良的BE或非持久的低度发育不良.
• 随访数据用于识别在5年内患有持续性发育不良或恶性瘤的患者.
• 评估六个回归和集体基于ML模型.

主要成果:

• 10.2%的患者进展为更严重的发育不良或恶性瘤.
• BE片段的长度是进展的重要预测指标 (或每厘米增加1.26).
• 仅使用分段长度的决策树 (DT) 模型实现了最高的区分 (AUROC=0.79) 和灵敏度 (93.3%).

结论:

• 基于BE段长度的简单可解释的DT模型准确地预测了进展风险.
• DT模型为风险分层提供可操作的细分长度值.
• 这个ML工具提供了一个实用的方法来定制BE监测,与ESGE指南保持一致.