通过机器学习算法对肝细胞癌中自发破裂和出血的预测进行建模

科学领域:

• 肝病学 肝病学是一种肝病学.
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 自发破裂和出血是肝细胞癌 (HCC) 的严重并发症.
• 确定预测因素并为此事件开发准确的模型对于患者管理和结果至关重要.

研究的目的:

• 为了确定HCC中自发破裂和出血的危险因素.
• 建立和验证基于机器学习的预测模型,用于HCC中自发破裂出血.
• 开发一个基于网络的临床应用风险评估工具.

主要方法:

• 对4209名HCC患者的回顾性分析,其中290名患者 (146例,144例对照) 被纳入模型开发.
• 使用了10个机器学习算法 (Logistic,GBM,神经网络,随机森林,AdaBoost,LightGBM,CatBoost,XgBoost,KNN,SVM) 进行预测模型构建.
• 模型性能使用AUC,校准曲线和混矩阵进行评估;用于解释,使用了SHAP图.

主要成果:

• 肝硬化,中性粒细胞百分比,白蛋白水平,瘤直径和结被确定为HCC中自发出血的显著预测因素.
• 支持矢量机 (SVM) 模型在训练 (AUC 0.946) 和验证 (AUC 0.946) 组中表现出最高的预测性能.
• 基于最佳SVM模型开发了一个基于Web的风险评估工具.

结论:

• 该研究成功地确定了HC.CC中自发破裂和出血的关键临床预测因素.
• 开发的基于SVM的预测模型和网络工具为HCC患者的早期风险评估和临床决策提供了有希望的方法.
• 需要进一步的验证和前性研究来确认预测模型的临床实用性.