开发一种基于机器学习的预测模型,用于胃癌手术后的解剖管泄漏

科学领域:

• 在瘤学瘤学.
• 外科胃肠道外科手术
• 医疗信息学 医疗信息学

背景情况:

• 胃癌的激进胃切除术后的解剖管泄漏 (AL) 具有很高的死亡率 (高达50%) 和可变的发病率 (2.1%-14.6%).
• 目前用于预测AL的方法缺乏准确性和及时性.
• 早期和准确的AL风险预测对于改善患者结果至关重要.

研究的目的:

• 开发一个早期的解剖漏 (AL) 风险预测模型.
• 整合使用机器学习用于AL预测的多维临床数据.
• 加强对接受激进胃切除术的患者的及时风险评估.

主要方法:

• 追溯招募1588名接受激进胃切除术的患者.
• 分析了36个术后的特征,包括动态实验室指标.
• 使用 LASSO 回归和交叉验证开发和验证五种机器学习模型.

主要成果:

• LASSO-Logistic模型确定了关键预测因素:术后C反应蛋白 (CRP) 在3天内,年龄,之前的腹部手术和白蛋白.
• 该模型实现了强大的外部验证性能,曲线下的面积 (AUC) 为0.871.
• 灵敏度优化模式将负预测值 (NPV) 提高到98.9%.

结论:

• LASSO-Logistic模型提供了准确的早期预警,用于解剖漏风险,术后CRP作为核心预测因素.
• 该模型显示了适度的通用性,在独立队列中得到验证.
• 为了更广泛的临床应用,建议进行多中心验证.