一种可解释的梯度增强模型的多中心验证和临床解释,用于牙科植入物生存/失败预测

科学领域:

• 医疗保健中的机器学习
• 生物医学数据科学 生物医学数据科学
• 整形外科植入物的性能性能

背景情况:

• 预测植入物存活率对于患者的治疗结果和医疗保健成本至关重要.
• 现有的模型往往缺乏在不同临床环境中的透明度和通用性.
• 可解释机器学习为更可靠的预测工具提供了一条道路.

研究的目的:

• 评估一种可解释的梯度增强模型,用于在未见的多中心数据上预测植入物存活/失败.
• 评估模型的歧视性,校准性,临床实用性和透明度.
• 使用内部-外部 (离开-一个-中心-外) 验证报告中心智能可运输性.

主要方法:

• 分析了来自三个中心的910个独特的植入物,使用了80/20持久测试套件.
• 通过随机搜索和交叉验证 (宏F1评分) 来进行超参数优化.
• 使用精度,F1得分,ROC-AUC,PR-AUC,Brier得分和决策曲线分析进行绩效评估.
• 使用SHAP (夏普利添加式解释) 评估可解释性,以获得全球和案例层面的洞察力.
• 通过离开一个中心的验证 (LOCO) 测试了可运输性.

主要成果:

• 该模型在聚合测试组中实现了高精度 (0.8736) 和宏F1得分 (0.8736).
• 观察到强烈的歧视 (ROC-AUC: 0.9253,PR-AUC: 0.9090) 与强大的置信区间.
• 内部和外部验证表明,各中心的表现一致 (准确度:0.8599-0.9211,ROC-AUC:0.9034-0.9352).
• 校准是可以接受的,决策曲线分析显示了积极的临床净益处.
• SHAP分析确定了糖尿病,骨密度和吸烟状况等关键预测因素.

结论:

• 一个可解释的梯度增强模型在多中心数据上提供了强有力的,平衡的歧视.
• 该模型展示了可接受的校准,临床实用性和跨不同中心的可运输性.
• SHAP解释与已知的风险因素保持一致,促进临床信任和支持特定患者的决策.