基于三种机器学习算法构建了一个预测模型,用于基于三种机器学习算法进行胃癌激进手术后延迟伤口愈合

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 手术并发症 手术并发症

背景情况:

• 伤口愈合延迟是胃癌手术后的一个重要并发症,影响患者的治疗结果.
• 机器学习 (ML) 提出了一种新的方法来识别患有延迟愈合高风险的患者.
• 早期发现可及时进行临床干预,改善患者的预后.

研究的目的:

• 开发和评估基于ML的风险预测模型,用于胃癌手术后延迟伤口愈合.
• 通过确定需要更密切监测或干预的患者来支持临床决策.
• 为了利用人工智能来改善外科病人护理.

主要方法:

• 进行了对514名接受了急性胃癌手术的患者的回顾性分析.
• 一个数据集被分为培训 (70%) 和验证 (30%) 模型开发的数据集.
• 决策树,支向量机和后勤回归模型被构建并使用性能指标比较,如准确性,回忆,精度,F1得分和AUC.

主要成果:

• 决策树模型在物流回归和支持矢量机器模型中表现出优越的性能.
• 确定了延迟伤口愈合的关键预测因素是:性别,老年状况,腹部排水的持续时间,手术前白细胞计数和绝对中性粒细胞计数.
• 更长的腹部排水时间 (风险比为1.579),以及手术前白血细胞数量的增加是显著的风险因素.

结论:

• 基于ML的模型利用特定的临床变量可以有效地识别患有延迟伤口愈合高风险的患者.
• 这些模型为治疗胃癌后手术患者的临床决策提供了宝贵的见解.
• 已识别的预测因素 (性别,年龄,排水时间,白细胞,中性粒细胞) 对于风险分层至关重要.