在接受胸腔镜手术的非小细胞肺癌患者中构建基于机器学习的自动化预测模型,用于术后肺部并发症的风险

科学领域:

• 胸部外科手术 胸部外科手术
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 手术后的肺部并发症 (PPC) 是非小细胞肺癌 (NSCLC) 患者进行视频辅助胸部手术 (VATS) 的重要问题.
• 准确的手术前风险分层对于优化患者管理和改善手术结果至关重要.

研究的目的:

• 开发和验证一种新的机器学习框架,用于预测NSCLC患者的PPC.
• 整合临床参数和先进的优化算法,以提高预测准确度.
• 为可采取行动的临床决策提供一个可解释的模型.

主要方法:

• 对286名接受VATS治疗的NSCLC患者进行了回顾性分析.
• 一个改进的吸血漏液优化器 (IBSLO) 算法被开发并用于模型优化.
• 使用AUC-ROC,F1得分和决策曲线分析 (DCA) 评估预测性表现,并使用SHAP进行解释性.

主要成果:

• 与其他优化技术相比,IBSLO算法显示出更高的收性.
• IBSLO优化的自动化机器学习 (AutoML) 模型实现了高预测准确性 (ROC-AUC: 0.9038培训,0.8775测试).
• 发现的关键预测因素包括白细胞计数,BMI,手术方法,年龄,血液损失和CRP;该模型比传统方法显示出显著的临床益处.

结论:

• 成功建立了一个可解释的机器学习框架,用于在NSCLC患者中进行手术前PPC风险分层.
• 这一框架为胸部瘤实践提供了有价值的见解和可操作的指导.
• 这项研究强调了先进的机器学习技术在改善手术患者护理方面的潜力.