通过机器学习的协助,确定肝膜菌病的手术决策的关键因素和可解释性分析

科学领域:

• 肝胆道手术是肝胆道的手术.
• 手术瘤学手术瘤学
• 机器学习在医学中的应用

背景情况:

• 气泡状球菌 (AE) 是一种致命的肝脏寄生虫感染,通常需要手术干预.
• 晚期呈现经常排除治愈性肝切除术,使得像ex vivo肝切除和自移植 (ELRA) 这样的替代策略至关重要.
• 传统的AE手术决策是主观的;机器学习提供客观的见解.

研究的目的:

• 确定影响肝脏AE (HAE) 患者外科手术策略选择的关键手术前因素.
• 开发和验证用于预测HAE手术方法的机器学习模型.
• 在复杂的HAE案件中加强客观,数据驱动的决策.

主要方法:

• 710名HAE患者的回顾性队列研究 (2010年7月至2024年8月).
• 使用递归特征消除,最小冗余性最大相关性,最小绝对收缩和选择操作员回归来进行特征选择,确定10个关键特征.
• 对比了11个机器学习算法,优化了XGBoost与贝叶斯优化,并使用了SHapley添加式扩展 (SHAP) 进行解释.

主要成果:

• XGBoost模型实现了高性能 (AUC 0.935训练,0.734验证) 的最佳门,产生了93.6%的灵敏度和90.9%的特异性.
• SHAP分析显示,血管侵袭类型是主要预测因素,其次是血小板计数和前血栓时间.
• 肝静脉,下腔静脉或多个血管的血管侵袭强烈预测需要ELRA而不是肝切除术.

结论:

• 血管侵袭是指导HAE手术方法选择的最重要的因素.
• 机器学习模型,以XGBoost为例,为个性化HAE治疗策略提供透明,数据驱动的支持.
• 这种方法增强了复杂的肝脏寄生虫感染的临床决策.