基于机器学习的预测模型,用于胸膜切除患者的手术内低温风险:SHAP分析

科学领域:

• 医疗信息学
• 癌症学
• 麻醉学

背景情况:

• 在胸腔镜肺癌手术期间,术内低温 (IOH) 存在风险.
• 准确预测IOH对于患者的安全和有效管理至关重要.

研究的目的:

• 在接受胸腔镜肺癌手术的患者中开发和评估基于机器学习 (ML) 的IOH风险预测模型.
• 使用SHapley添加式解释 (SHAP) 解释ML模型以确定关键预测特征及其贡献.

主要方法:

• 对717名接受胸腔镜肺癌手术的患者进行了回顾性分析.
• 开发一个随机森林 (RF) 预测模型.
• 使用准确度,精度,回忆,F1得分,ROC AUC,Brier得分和决策曲线分析 (DCA) 的模型性能评估.
• 使用SHAP方法来确定特征的重要性和可解释性.

主要成果:

• 在试验组中,RF模型实现了0.753的ROC AUC,0.80的F1得分和0.87的回忆.
• SHAP分析确定了手术内输液量,手术持续时间,年龄,麻醉持续时间,体重指数和血红蛋白为IOH的6大风险因素.
• DCA证实了该模型的良好临床可行性.

结论:

• 开发的ML模型有效预测胸腔肺癌手术中的IOH风险.
• SHAP分析提高了模型的解释性,突出了关键的风险因素.
• 这种方法支持针对肺癌患者的个性化低温预防计划.