可解释的机器学习来预测胃切除术后的术后停留时间:使用XGBoost和SHAP进行的一项全国性研究

科学领域:

• 手术瘤学手术瘤学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 胃癌手术 (胃切除术) 会导致长时间住院,使医疗保健资源受到压力.
• 预测术后停留时间 (LOS) 对于个性化护理和资源管理至关重要.
• 日本的诊断程序组合 (DPC) 数据库提供现实数据,用于大规模分析胃切除术结果.

研究的目的:

• 开发和验证一种机器学习模型,用于预测胃切除术后术后停留时间 (LOS).
• 从DPC数据库中使用入院时间变量来识别LOS的关键预测因素.
• 探索可解释AI (XAI) 在理解外科瘤学中的LOS决定因素方面的实用性.

主要方法:

• 一项使用日本DPC数据库对26097名经过胃切除术的患者 (2017-2022) 的回顾性研究.
• 使用 1,433 个入学变量开发 XGBoost 模型;性能由 RMSE 和 MAE 评估.
• 用于特征重要性和模型可解释性的SHAP值.

主要成果:

• XGBoost模型实现了根平均平方误差 (RMSE) 的3.74和平均绝对误差 (MAE) 的2.82天.
• 显著的LOS预测因素包括手术方法 (腹腔镜与开放),医院类型,医院体积和患者的入院ADL分数.
• laparoscopic远端胃切除术和较高的医院体积与较短的 LOS 相关联;开放的全胃切除术与较长的 LOS 相关联.

结论:

• 机器学习模型可以使用入院数据预测胃切除术后的术后停留时间,误差为2-4天.
• 这项研究证明了在外科瘤学中使用可解释的AI来优化外科手术期间的工作流程的可行性.
• 这些发现突出了人工智能的潜力,可以从行政医疗数据中发现预期的和新的见解.