开发和验证可解释的基于形状的机器学习模型,用于预测喉癌的术后并发症
Changling Li1,2, Chenyang Xu1,2, Jinzhuang Xu3
1Department of Otorhinolaryngology, Qilu Hospital of Shandong University, Jinan250063, Shandong Province, China.
BMC surgery
|October 10, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测喉癌手术后的主要术后并发症. 该工具有助于进行风险评估,以便更好地进行手术规划和患者护理.
科学领域:
- 在瘤学瘤学.
- 手术创新 在外科创新.
- 人工智能在医学中的应用
背景情况:
- 喉癌手术后的术后并发症存在重大风险,通常需要密集护理或进一步的侵入性手术.
- 准确的术前风险分层对于优化患者的治疗结果和指导术后管理策略至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测喉癌患者的重大术后并发症 (Clavien-Dindo等级≥III).
- 通过个性化风险评估,支持在外科规划和术后护理中做出明智决策.
主要方法:
- 使用了喉癌患者的回顾性队列,数据暂时分为培训和测试.
- 评估了8个ML算法,使用ROC曲线,校准图和DCA进行性能评估. 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
- 为临床应用而开发了一个基于网络的计算器.
主要成果:
- 随机森林 (RF) 模型表现出优异的预测性能,AUC为0.935 (训练) 和0.842 (测试组).
- SHAP分析确定了包括声带流动性,瘤亚部位和营养状况在内的关键预测因素.
- 该模型表现出强大的灵敏度和特异性,预测和实际并发症率之间有很强的一致性.
结论:
- 成功开发了一种可解释的ML模型,以准确预测喉癌手术中的重大术后并发症.
- 这种预测工具提供了个性化的风险评估,以加强外科手术规划,优化外科手术期间的策略,并改善共享决策.
- 建议进一步进行未来的多中心验证,以确认该模型的常规临床实用性.
