机器学习预测低前切除后的解剖漏洞:全国数据库分析
Takashi Sakamoto1,2,3, Hideki Endo2, Hiroyuki Yamamoto2
1Department of Gastroenterological Surgery, Cancer Institute Hospital, Japanese Foundation for Cancer Research, Tokyo, Japan.
Medicine
|August 27, 2025
概括
预测直肠癌手术后的解剖漏洞是很困难的 使用手术前数据的机器学习模型显示出低于最佳的预测能力,表明在手术前难以预测泄漏.
科学领域:
- 大肠直肠手术
- 外科瘤学
- 医疗信息学
背景情况:
- 在直肠癌下部前切除 (LAR) 后的解剖漏洞 (AL) 是一个重要的临床挑战.
- 准确的手术前预测对患者的治疗和结果至关重要.
研究的目的:
- 使用手术前数据开发和验证机器学习 (ML) 的预测模型.
- 评估后勤回归,拉索回归和极端梯度增强 (XGBoost) 模型的预测性能.
主要方法:
- 来自日本国家临床数据库 (2015-2021) 的119,818名接受直肠癌LAR患者的回顾性分析.
- 三种预测模型的开发:物流回归,拉索回归和XGBoost.
- 采用接收器运行特征曲线下的面积 (AUROC) 和DeLong测试进行模型的验证.
主要成果:
- 在导出队列中,AL的发病率为9. 6%,在验证队列中为8. 4%.
- 所有开发的模型在验证队列中都表现出相似且低于最佳的预测能力 (AUROC ~ 0.63).
- 后勤回归 (AUROC 0. 6324),拉索回归 (AUROC 0. 6333) 和XGBoost (AUROC 0. 6333) 在性能上没有显著差异.
结论:
- 使用常规收集的手术前数据的机器学习模型在LAR后对AL具有不理想的预测能力.
- 在手术前预测静脉泄漏仍然具有挑战性,因此需要对患者进行仔细的咨询.
