在CRS-HIPEC之后预测严重的术后并发症:一个外部验证的机器学习工具.

科学领域:

• 在瘤学瘤学.
• 手术瘤学手术瘤学
• 医疗信息学 医疗信息学

背景情况:

• 目前的决策支持工具用于预测经过高热性腹腔内化疗 (CRS-HIPEC) 的细胞还原性手术后的术后并发症,由于样本大小小小和缺乏外部验证,具有局限性.
• 在CRS-HIPEC程序中,准确预测严重并发症 (Clavien-Dindo等级≥3) 对患者管理和资源分配至关重要.

研究的目的:

• 开发和外部验证一种机器学习 (ML) 工具,用于预测CRS-HIPEC后的严重术后并发症.
• 通过提供可靠的预测模型来改善患者选择和术后护理.

主要方法:

• 利用在匹兹堡大学医学中心 (UPMC) 接受CRS-HIPEC的成年患者的大型数据集进行培训和内部验证 (80:20分).
• 使用美国HIPEC协作数据集进行外部验证.
• 训练并测试了三个ML模型,使用SHAP值来确定变量重要性和递归特征消除以获得最佳模型性能.

主要成果:

• 严重的术后并发症发生在UPMC队列的37%,外部验证队列的22%.
• 一个随机森林模型,通过15个变量进行优化,在内部验证中实现了0.71的ROC曲线 (AUC) 下的最高面积,在外部验证中达到0.65的平均AUC.
• 严重并发症的关键预测因素包括高腹癌指数 (PCI),亚总胃切除术,低白蛋白水平,小肠切除和高查尔森并发症指数.

结论:

• 开发并外部验证了迄今为止最大的ML模型,用于预测美国CRS-HIPEC后的严重并发症.
• 该模型可以帮助临床医生选择患者并预测术后并发症,从而有可能改善患者的治疗结果.