一种受监督的机器学习方法,用于预测在壮症患者手术后干预的需要

科学领域:

• 内分泌学 在内分泌学.
• 神经外科 神经外科
• 数据科学数据科学数据科学

背景情况:

• 产生生长激素 (GH) 的垂体腺瘤 (PAs) 导致显著的发病率和死亡率.
• 脑内膜透膜外科手术 (ETS) 是主要的治疗方法,但复发很常见.
• 预测ETS后的长期结果对于患者管理至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测GH分泌PA后ETS患者的长期结果.
• 在初级ETS之后,确定无干预率 (IFR) 的关键预测因素.

主要方法:

• 100名患有GH分泌PA的患者接受ETS治疗的回顾性队列研究.
• 收集的临床,放射和生化数据.
• 开发并评估使用AUROC和SHAP值预测IFR的监督ML模型 (决策树,随机森林).

主要成果:

• 在初级ETS之后,3年和5年无干预率 (IFR) 分别为70%和67%.
• 一个决策树模型实现了81%的准确性,突出了总体切除 (GTR) 和患者年龄作为关键预测因素.
• SHAP分析确定了瘤大小<9毫米,GTR,年龄>65岁,Knosp等级0作为与更长的IFR相关的因素.

结论:

• 开发的ML模型提供了对可能经历ETS后复发或持久壮病的患者的细微预测.
• 这个模型可以帮助个性化治疗规划和后续策略.
• 建议对ML模型进行外部验证,以提高临床效用和资源配置.