基于血清的可解释机器学习模型,用于预测直肠癌切除后的解性泄漏:一项多中心研究
Bo-Yu Kang1, Yi-Huan Qiao1, Jun Zhu1,2
1Department of Digestive Surgery, Xijing Hospital of Digestive Diseases, Xi'an 710032, Shaanxi Province, China.
World journal of gastroenterology
|June 11, 2025
概括
这项研究开发了一个可解释的机器学习模型,使用XGBoost来预测直肠癌手术后的静脉漏. 血清离子水平被确定为关键预测因素,有助于临床决策.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习在外科手术中的应用
- 瘤学研究研究
背景情况:
- 人工智能和机器学习 (ML) 为疾病分析提供了潜力,但由于复杂性和可解释性差,往往缺乏临床适用性.
- 之前关于门泄漏 (AL) 预测的研究受到小样本大小和模型透明度不足的限制.
- 这项研究解决了这些局限性,开发了一个透明的,可解释的ML模型,使用多中心数据来预测AL.
研究的目的:
- 创建一个可解释的ML模型,用于预测直肠癌切除后道泄漏 (AL) 的概率.
- 根据预测模型定义血清离子的临床警报值.
- 增强直肠癌手术患者的术后管理策略.
主要方法:
- 从2011年1月到2021年12月,从多个外科部门追溯收集患者数据.
- 整合和比较十个ML模型,选择XGBoost作为最佳模型.
- 使用ROC曲线,校准图,决策曲线分析和各种准确度指标评估模型性能. 用SHAP算法解释了特征的重要性.
主要成果:
- XGBoost模型在测试组中显示出高预测性能,AUC为0.984 (精度:0.925,灵敏度:0.92,特异性:0.927).
- 外部验证得出AUC为0.703,表明可概括性.
- SHAP分析确定血清离子水平是影响AL预测的最关键因素.
结论:
- 通过使用临床数据,成功开发了一种可解释的基于XGBoost的预测模型,用于直肠癌切除后的门泄漏 (AL).
- 该模型强调了血清离子水平在预测AL方面的重要作用,为临床实践提供了有价值的指导.
- 整合SHAP为模型的预测提供了透明度和可解释性,促进了临床采用.
