机器学习预测早期胃癌内镜下粘膜切割后的出血:一个多中心研究

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:

• 内镜下粘膜切割 (ESD) 是早期胃癌 (GC) 的关键治疗方法.
• 后ESD出血是一个显著和不可预测的并发症.
• 准确预测ESD后出血对于患者管理至关重要.

研究的目的:

• 开发和验证用于预测ESD后出血的机器学习 (ML) 模型.
• 为了确定与ESD后出血相关的重大风险因素.
• 将ML模型的性能与传统的物流回归进行比较.

主要方法:

• 一个多中心临床数据库的回顾性分析,该数据库是针对早期GC进行ESD的患者.
• 使用患者特征和术后数据开发ML模型.
• 将ML模型性能与后勤回归模型进行比较,包括特征重要性分析.

主要成果:

• 与非ML模型 (AUC 0.71,p=0.03) 相比,ML模型显示出更好的预测性能 (AUC 0.80).
• 经过ML识别的风险分层显示出出血率增加,预测的概率更高 (2.3%低,8.8%中等,28.6%高).
• 在心房动中使用抗凝剂被确定为ESD后出血的关键预测因素.

结论:

• ML模型有效地预测并帮助排除ESD后出血.
• 开发的ML模型有助于识别临床相关的风险因素.
• 这些发现支持在接受ESD的早期GC患者中使用ML进行个性化预防策略.