使用随机森林模型预测慢性缩性胃炎的风险:一个多中心研究
Hui Cao1, Jing-Lue Han1, Hao Wu2
1Department of Gastroenterology, National Clinical Research Center for Digestive Diseases (Xi'an) Jiangsu Branch, Affiliated Wuxi People's Hospital of Nanjing Medical University, Wuxi Medical Center, Nanjing Medical University, Wuxi 214000, Jiangsu Province, China.
World journal of gastrointestinal oncology
|February 16, 2026
概括
一个新的非侵入性模型使用H. pylori感染和年龄等关键因素预测慢性缩性胃炎 (CAG) 风险. 这种工具有助于早期识别高风险患者,以预防胃癌.
科学领域:
- 胃肠道学和瘤学
- 生物统计学和机器学习
- 预防医学 预防医学
背景情况:
- 慢性缩性胃炎 (CAG) 是胃癌 (GC) 的癌前状态.
- 目前的诊断方法 (胃镜检查,活检) 是侵入性的,并且有局限性.
- 对于早期的CAG检测,需要使用非侵入性工具.
研究的目的:
- 开发和验证CAG的非侵入性风险预测模型.
- 识别高风险个人进行胃癌查.
主要方法:
- 使用来自1268个受试者的多式联络数据构建了一个随机森林模型.
- 这些特征包括人口统计,生活方式,H. pylori状态和血清学标记 (PGR).
- 使用AUC评估模型性能,并在外部队列中验证;用于解释,使用SHAP分析.
主要成果:
- 该模型确定了六个关键预测因素:年龄,H. pylori感染,PGR,吸烟,酒精和家族史.
- 该模型实现了高AUC (0.8542培训,0.8073测试,0.8505外部验证).
- 感染H. pylori,年龄和PGR是最有影响力的因素.
结论:
- 随机森林模型准确地预测了CAG风险的非侵入性.
- 该模型是可解释的,在早期查方面具有显著的临床实用性.
- 一个基于网络的平台促进了临床应用.
