可解释的机器学习来预测激进囊切除术后的术后结核:一个11年的真实世界队列
Xiaoping Chen1,2,3, Guolong Chen1,2,3, Zongxin Zheng1,2,3
1Urology Department, Sun Yat-sen University Cancer Center, Guangzhou, China.
Frontiers in artificial intelligence
|December 11, 2025
概括
一个可解释的机器学习模型准确地预测了激进囊切除术 (RC) 患者的术后阴道风险. 该工具使用常规数据进行早期风险分层,并确定可修改的因素以改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 手术瘤学手术瘤学
背景情况:
- 手术后阴囊 (POI) 是根基囊切除术 (RC) 后的一个常见并发症.
- 现有的POI风险评估工具的准确性有限,因为它们无法捕捉复杂的非线性关系.
- 可解释机器学习 (ML) 为提高POI风险早期分层提供了一个有希望的途径.
研究的目的:
- 开发和验证可解释的ML模型,用于RC患者POI早期风险分层.
- 为了比较各种ML模型在预测POI中的性能.
- 确定导致POI风险的关键周围操作因素.
主要方法:
- 分析了1062名RC患者 (2013-2023) 的单一中心现实世界队列.
- 数据包括手术前的并发症,药物,手术因素和第一天的实验室指数.
- 训练和验证了五种ML模型,使用SHAP (SHapley添加式扩展) 评估特征重要性.
主要成果:
- POI发生在28.9%的患者中.
- 一个反向传播的神经网络表现出卓越的性能 (AUC 0.828,准确率为78.4%).
- 关键预测因素包括手术内鼻胃管放置,手术方法,药物史,淋巴结剖析,淋巴细胞计数和C反应蛋白.
结论:
- 一个可解释的ML模型利用常规的外科手术期间的数据,从术后的第0天开始,准确地对RC患者的POI风险进行分层.
- 这种ML方法的性能优于传统的名ograms,并突出可修改的风险因素.
- 集成到电子健康记录系统可以促进实时警报和量身定制的患者管理,等待多中心验证.
