在普通胆道探索后,基于机器学习的复发性肝外胆道结石的预测:对模型和SHAP驱动的解释性分析进行比较研究

科学领域:

• 医疗信息学 医疗信息学
• 肝胆道手术 肝胆道手术
• 机器学习在医学中的应用

背景情况:

• 肝外胆道结石可能会在普通胆道检查后复发.
• 准确预测复发对于有效的患者管理和干预至关重要.

研究的目的:

• 开发和比较机器学习模型,用于预测反复出现的肝外胆道结石.
• 通过SHAP分析识别和量化导致复发的关键风险因素.
• 为临床风险评估和有针对性的干预提供可靠的工具.

主要方法:

• 对1363名肝外胆道结石患者的回顾性分析.
• 开发和评估9个机器学习模型,包括随机森林.
• SHAP分析用于解释模型预测并识别重大风险因素.

主要成果:

• 随机森林模型在训练,验证和外部队列中表现出高AUC和精度的卓越性能.
• 最大结石直径,普通胆道直径和直接胆红素被确定为主要的危险因素.
• 观察到非线性影响 (例如,石头>15毫米) 和风险因素之间的协同相互作用.

结论:

• 随机森林是一种高度可靠的工具,用于预测常见胆道探索后的复发性肝外胆道结石.
• SHAP分析为关键协同作用的风险因素提供了宝贵的见解,使个性化风险分层成为可能.
• 这些发现支持量身定制的临床干预措施,以尽量减少术后复发率.