开发和验证可解释的机器学习模型,用于预测肺癌手术后的术后肺部并发症:一项机器学习研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 胸部外科手术 胸部外科手术

背景情况:

• 手术后的肺部并发症 (PPC) 在肺癌 (LC) 手术后显著影响患者的结果.
• 现有的PPC预测模型往往缺乏全面的验证和解释性.
• 迫切需要可靠和可解释的工具来预测LC手术患者的PPC.

研究的目的:

• 开发和验证一种可解释的机器学习 (ML) 模型,用于预测LC手术患者的PPC.
• 提高PPC预测模型的可解释性.
• 改善早期识别和管理患有PPC风险的患者.

主要方法:

• 通过元分析和Delphi调查建立了一个风险因素池.
• 使用LC手术患者的回顾性 (n=883) 和前性 (n=308) 队列.
• 特性选择涉及单变量分析,对线性分析,九个ML算法和专家共识,导致了12个独立和26个堆叠组合模型的开发. 为了解释性,使用了沙普利添加式解释 (SHAP) 方法.

主要成果:

• 组合支持矢量机 (SVM) 和决策树 (DT) 的堆叠组合模型在回顾性队列中实现了最高的性能,AUROC为0.860 (95%CI:0.809-0.911).
• 前性验证的结果是AUROC为0.790 (95% CI:0.744-0.835).
• 该模型显示了强大的预测性能和有利的临床实用性,如决策曲线分析 (DCA) 所示.

结论:

• 开发的堆叠组合模型 (SVM + DT) 显示了在LC手术患者中预测PPC的显著潜力.
• 该模型的可解释性 (使用SHAP) 提高了其临床实用性和可信度.
• 在临床实施之前,需要在大型多中心队列中进行进一步的验证,以优化患者护理和资源配置.