使用机器学习算法来预测结直肠癌患者在完整的中切除后心力衰竭的风险因素

科学领域:

• 在瘤学瘤学.
• 心脏病学 心脏病学
• 医疗信息学 医疗信息学

背景情况:

• 心力衰竭 (HF) 是完全中切除 (CME) 后的一个显著并发症.
• 预测HF风险对于改善结肠癌手术中CME后患者的治疗结果至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测完整中切割 (CME) 后心力衰竭 (HF) 的发生.
• 确定与术后高频率相关的关键手术前和手术内风险因素.

主要方法:

• 利用了1158名结肠癌患者的队列,其中172人患有术后高血压.
• 编译了37个特征,包括人口统计,病史和手术细节.
• 我们比较了四种机器学习算法:XGBoost,随机森林,SVM和KNN,使用k-fold交叉验证,ROC曲线,校准曲线,DCA和外部验证.

主要成果:

• XGBoost模型表现出高AUC (0.990内部训练,0.941内部验证,0.93外部验证) 的优异性能.
• 在验证集中,XGBoost实现了高精度,灵敏度,特异性和F1分数.
• 该模型显示了强大的推断能力,证实了其临床实用性.

结论:

• 基于XGBoost的机器学习模型有效预测CME后的心力衰竭风险.
• 这种预测工具对于识别经历CME的高风险患者具有显著的临床实用性.
• 早期识别HF风险可以导致及时干预和改善患者预后.