可解释的机器学习模型用于预测日间手术的肺癌患者的长期术后停留时间:一项回顾性队列研究
Xiaoyan Wu1, Meijuan Lan1, Leiwen Tang1
1Nursing Department.
The Journal of craniofacial surgery
|March 3, 2026
概括
一个新的机器学习模型准确地预测了在接受白天手术的肺癌患者的长期术后停留时间 (p-LOS). 这种工具有助于早期干预,以获得更好的患者结果和降低医疗保健成本.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 手术结果研究研究.
背景情况:
- 肺癌患者的长期术后停留时间 (p-LOS) 与更差的预后和更高的医疗费用有关.
- 早期识别患有p-LOS风险的患者对于优化护理至关重要.
- 肺癌的日间手术需要精确预测术后停留时间.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测正在接受白天手术的肺癌患者的p-LOS.
- 确定导致长期术后住院的关键临床因素.
- 增强肺癌手术患者的早期临床干预策略.
主要方法:
- 1009名接受日间手术的肺癌患者的回顾性分析.
- p-LOS的定义是住院超过48小时.
- 通过拉索回归和ML模型开发 (6个算法) 选择特征,并进行内部验证; SHAP用于可解释性.
主要成果:
- 12.69%的患者经历了p-LOS.
- 在LightGBM ML模型中,AUC达到0.947 (95%CI:0.919-0.974).
- 显著的p-LOS预测因素包括疲劳,皮下肺气,疼痛和咳.
结论:
- 开发的ML模型准确地预测了肺癌的一天手术患者的p-LOS.
- 该模型具有很高的辨别能力和可解释性.
- 这种预测工具可以支持及时的临床干预,并优化术后管理.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
892
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
751
