使用机器学习和后勤回归开发和外部验证预测模型:基于手术前MRI进行机器人手术的手术方法

科学领域:

• 结肠直肠手术 结肠直肠手术
• 手术瘤学手术瘤学
• 医疗成像医学成像

背景情况:

• 在用于直肠癌的机器人辅助全腹腔切除术中,手术难度的术前预测是具有挑战性的.
• 来自MRI的盆腔解剖参数在机器人手术预测中未得到充分利用.
• 开发准确的预测模型对于优化患者的治疗结果至关重要.

研究的目的:

• 开发和验证直肠癌手术中不良外科结果的预测模型.
• 整合机器学习和后勤回归与手术前MRI骨盆测量和临床数据.
• 在机器人和腹腔镜直肠癌切除中确定手术复杂性的关键预测因素.

主要方法:

• 对1367名因中低度直肠癌进行了彻底切除的患者进行了回顾性多中心研究.
• 基于MRI的11个骨盆参数和临床特征的分析.
• 开发和比较后勤回归和机器学习模型 (随机森林,XGBoost,LightGBM).

主要成果:

• 后勤回归的表现优于机器学习模型,AUC为0.857 (培训),0.820 (内部) 和0.810 (外部验证).
• 确定的主要预测因素包括BMI> 25 kg/m2,新辅助化疗和放射治疗,瘤距离< 5 cm,腹腔镜方法,脊间距离< 9.94 cm,管间直径< 11.98 cm.
• 开发的诺米图表显示出优异的区分和临床实用性.

结论:

• 一个结合MRI盆腔测量和临床因素的强大预测模型已成功开发和验证.
• 该模型有助于识别患有直肠癌手术不良结果高风险的患者.
• 这些发现支持使用这种模型来指导外科手术方法的选择,可能有利于复杂病例的机器人手术.