开发和验证一种可解释的机器学习模型,用于预测食道癌中术后静脉血栓栓塞的发生
Zuhai Hu1, Qianjie Xu1, Yuliang Yuan1
1Chongqing Cancer Multi-omics Big Data Application Engineering Research Center, Chongqing University Cancer Hospital, Chongqing, China.
使用渐变增强机器 (GBM) 的机器学习模型准确地预测了食道癌患者手术后静脉血栓栓塞 (VTE) 风险. 这个工具有助于临床决策,以减少VTE并发症.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 静脉血栓栓塞 (VTE) 是食道癌患者的重大术后并发症.
- 准确的VTE风险预测对于有效的预防策略和改善患者治疗结果至关重要.
研究的目的:
- 开发和验证基于机器学习的风险预测模型,用于食道癌患者的术后风险预测模型.
- 加强临床决策和患者管理以预防VTE.
主要方法:
- 构建和评估了八种机器学习模型,包括后勤回归,随机森林和梯度增强机 (GBM).
- 用AUC,F1得分和准确度等指标评估模型性能,通过决策曲线分析 (DCA) 评估临床效用.
- SHAP分析用于模型解释性,识别关键预测因子,如D-二次体和淋巴细胞计数 (LYM).
主要成果:
- 这项研究包括1595名食道癌患者,其中407名 (25.52%) 患有VTE.
- GBM模型表现出卓越的性能,AUC为0.797,F1得分为0.827,精度为0.757.
- D-二聚和淋巴细胞计数被确定为VTE风险的显著预测因素.
结论:
- 一个强大的和临床上适用的VTE风险预测模型是使用GBM为食道癌患者开发的.
- 该模型的高准确性和可解释性支持其融入临床实践.
- 利用机器学习来预测VTE风险可能会降低高风险癌症患者的发病率和死亡率.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
03:05Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors
Published on: February 16, 2024
相关概念视频
Venous Thrombosis II: Clinical Manifestations and Diagnostic Studies
Esophageal Varices-I: Introduction
Venous Thrombosis III: Interprofessional Care
Esophageal Varices-II: Clinical Features and Management
In the initial assessment, a thorough review of the patient's medical history is vital to identify risk factors such as liver disease, alcohol...
Venous Thrombosis IV: Nursing Management
Venous Thrombosis I: Introduction
