机器学习预测静脉血栓栓塞 在结直肠癌手术后:中国动态建模研究
Yi-Dan Yan1,2,3, Xing-Wei Wu4, Yang Li5
1Department of Pharmacy, Punan Branch of Renji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
机器学习模型准确地预测了结直肠癌 (CRC) 手术后静脉血栓栓塞 (VTE) 风险. 这种方法为接受CRC手术的患者提供了改进的,个性化的VTE预防策略.
科学领域:
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
- 血管外科 血管外科
背景情况:
- 目前用于结直肠癌 (CRC) 手术的静脉血栓栓塞 (VTE) 预测工具缺乏针对个性化患者护理的准确性.
- 迫切需要改进的方法来动态预测CRC患者的术后静脉瘤风险.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测手术后静脉瘤在接受CRC手术的中国患者中.
- 通过准确的预测,增强个性化的风险评估和优化VTE预防策略.
主要方法:
- 开发了162个ML模型,使用来自1836名中国CRC手术患者的数据 (CRC-VTE试验).
- 使用递归特征消除和Boruta进行特征选择;使用SHapley添加式解释 (SHAP) 进行风险解释.
- 评估了培训,验证和外部测试集的模型,优先考虑接收器操作特征曲线 (AUROC) 下的区域.
主要成果:
- CatBoost ML模型表现出高性能,在验证组中实现了0.971 (术后) 和0.950 (术前) 的AUROC.
- 使用术后数据的模型始终优于仅使用术前数据的模型.
- 结合SHAP识别的关键预测因素的简化模型保持了强大的预测性能.
结论:
- 机器学习模型可用于预测CRC手术后的VTE.
- 将ML与SHAP方法相结合,为个性化的VTE风险评估提供了一个临床适用的工具.
- 这种方法支持CRC手术患者的优化VTE预防策略.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Venous Thrombosis III: Interprofessional Care
Venous Thrombosis II: Clinical Manifestations and Diagnostic Studies
Venous Thrombosis IV: Nursing Management
