基于SHAPley添加式扩展 (SHAP) 的多变量机器学习技术,具有外部验证:构建一个术前可解释的预测模型,用于监禁 inguinal hernia 的肠切除

科学领域:

• 手术瘤学手术瘤学
• 医学中的预测建模.
• 胃肠道手术 胃肠道手术

背景情况:

• 缺乏有效的手术前风险评估工具,用于在患有 inguinal incarcerated hernia 的患者中进行肠切除.
• 目前的方法无法充分预测这种患者群体需要肠切除的需要.

研究的目的:

• 为了确定关键的变量,与肠切除在患有 inguinal 囚禁的患者.
• 开发一个可解释的手术前预测模型来评估肠切除风险.

主要方法:

• 从两个医疗机构追溯收集数据.
• 使用拉索和多因素逻辑回归的变量选择.
• 模型开发和验证使用10个机器学习算法和夏普利添加式解释.

主要成果:

• 腹膜炎,肠道阻塞,中性粒细胞计数,C反应蛋白和手术前总蛋白被确定为关键预测因素.
• 所有模型都在外部验证集中实现了曲线下的面积>0.8.
• K-最近邻近算法展示了最全面的模型性能.

结论:

• 准确的手术前预测手术内肠道缺血对于被监禁的 inguinal 患者至关重要.
• 开发的模型利用已识别的特征变量,帮助临床医生评估肠道活力和切除风险.
• 这种工具增强了手术前的决策,以进行 inguinal incarcerated hernia 的肠切除.