机器学习模型用于预测胸腔切除后肺癌患者的营养不良风险:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 早期发现营养不良对于接受胸腔镜切除的肺癌患者至关重要.
• 现有的预测模型缺乏临床解释性,阻碍了采用.
• 这项研究旨在开发一种可解释的机器学习 (ML) 模型,用于营养不良风险预测.

研究的目的:

• 建立一个可解释的ML模型来预测肺癌患者的营养不良风险.
• 在多个临床场所评估模型性能.
• 开发一个基于Web的临床决策支持应用程序.

主要方法:

• 对1,134名肺癌患者 (培训/测试组) 的回顾性分析和前性外部验证 (273名患者).
• 构建和比较八个ML模型,包括XGBoost,随机森林和后勤回归.
• 利用夏普利添加式解释 (SHAP) 进行模型解释性和决策曲线分析 (DCA) 和ROC曲线进行绩效评估.

主要成果:

• 在1,407名患者中,手术后营养不良的发病率为11.3%.
• 确定了七个独立的风险因素:白蛋白,营养风险查2002年得分,年龄,手术期间的血液损失,总排水量,BADL得分和血清.
• XGBoost模型表现出优异的性能,AUC为0.845 (测试) 和0.886 (外部验证).

结论:

• 一个可解释的基于XGBoost的ML模型有效地预测肺癌患者胸腔镜切除后的营养不良风险.
• 该模型将高预测准确度与临床解释性相结合,有助于风险分层和个性化营养干预.
• 公共可用的基于网络的计算器有助于临床应用,并改善了患者的治疗结果.