一个更有选择性的风险分层的,基于机器学习的,肺癌血栓预防方案之后的片切除:一个前性队列研究
Jing Wang1,2, Di Wang3, Songping Cui2
1Mass General Cancer Center, Massachusetts General Hospital, Harvard Medical School, Boston, MA.
International journal of surgery (London, England)
|December 6, 2025
概括
一个新的机器学习模型准确地预测了手术后静脉血栓栓塞 (VTE) 风险在接受VATS细分切除术的肺癌患者. 该模型还确定VTE是较短的无病生存期的预测因素,有助于风险分层.
科学领域:
- 胸部瘤学 胸部瘤学
- 心血管外科心血管外科
- 机器学习在医学中的应用
背景情况:
- 静脉血栓塞栓症 (VTE) 是一个严重的,可预防的手术后并发症.
- 在接受VATS细分切除术的胸部瘤患者中预测VTE风险至关重要.
研究的目的:
- 开发和验证一种可解释的机器学习 (ML) 模型,用于预测术后静脉瘤.
- 评估VTE在这个患者群体的预后影响.
主要方法:
- 使用49个变量,包括vWF-A2.2,开发和验证ML模型的前景.
- 11个ML算法进行了比较;SHapley添加式解释 (SHAP) 用于可解释性.
- 模型的性能与卡普里尼得分进行了基准测试.
主要成果:
- 一个可解释的XGBoost模型显示了优越的VTE预测 (AUC 0.903训练,0.856验证) 超过卡普里尼得分.
- 手术后的静脉动脉瘤与明显较短的无病生存期有关 (P=0.017).
- 没有观察到总生存时间的显著差异 (P=0.068).
结论:
- 开发的ML模型准确地预测了为早期NSCLC接受VATS细分切除术的患者的VTE风险.
- 该模型具有临床相关性,确定VTE是无病生存的负预后因素.
