胆囊癌远程转移的预测系统是一种基于机器学习的回顾性队列研究

科学领域:

• 在瘤学瘤学.
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 由于早期的远程转移 (DM),胆囊癌 (GBC) 的预后不佳.
• 在GBC中DM风险的预测模型有限.
• 这项研究解决了改善GBC中DM风险预测的需求.

研究的目的:

• 开发一种新的机器学习 (ML) 模型,用于预测GBC患者的DM风险.
• 确定DM发展的关键风险和保护因素.
• 为个性化风险评估创建一个用户友好的在线工具.

主要方法:

• 利用监测,流行病学和最终结果 (SEER) 数据库 (2000-2020年) 获取GBC患者数据.
• 应用后勤回归和6种ML技术用于模型开发和特征选择.
• 验证模型使用十倍交叉验证,并使用SHAP进行解释性.

主要成果:

• 极端梯度增强 (XGB) 模型实现了高预测精度 (AUC=0.885).
• 确定了T,N,等级和年龄作为DM的重要风险因素.
• 农村城市连续性,婚姻状况和收入被确定为保护因素.

结论:

• 在GBC中预测DM时,XGB模型非常有效.
• 这种预测工具可以促进早期,个性化的治疗策略.
• 改善DM的预测可以为GBC患者带来更好的整体预后.