使用机器学习预测发作风险,在以前没有发作的患者中进行质瘤切除手术后

科学领域:

• 神经外科 神经外科
• 在瘤学瘤学.
• 数据科学数据科学数据科学

背景情况:

• 在接受脑瘤手术的前患者中,抗药物 (ASM) 的预防性使用仍然存在争议.
• 尽管存在争议,但ASM经常被处方,导致潜在的过度治疗和副作用.

研究的目的:

• 开发和验证一种机器学习 (ML) 框架,用于预测在接受脑瘤手术的患者中术后发作风险.
• 创建一个个性化的风险分层工具,以指导有关ASM的临床决策.

主要方法:

• 一项回顾性研究收集了786名经过质瘤切除的患者的数据,包括人口统计数据,瘤特征,手术细节和生物标志物.
• 多个ML模型 (随机森林,XGBoost,GBDT,MLP,包装,LR) 被训练并使用80/20分割进行测试.
• 用SHAP方法进行特征解释性.

主要成果:

• 术后发作发生在19.6%的患者中.
• 多层感知子 (MLP) 模型使用综合功能实现了最高的预测性能 (AUC: 0.74,精度: 0.70).
• 仅使用人口和地形数据的更简单的模型显示了可比的结果.

结论:

• 该MLP模型有效地整合了各种患者数据,以预测术后发作风险.
• 这种个性化的预测模型可以帮助临床医生优化ASM的管理,包括关于持续时间和停药的决定.
• 这些发现支持在神经外科瘤患者中更为量身定制的ASM使用方法.