Vergleich von sechs verschiedenen maschinellen Lernmethoden mit einem traditionellen Modell für das tiefe anteriore Resektionssyndrom nach minimalinvasiver Chirurgie bei Rektumkarzinom – Entwicklung und externe Validierung eines Nomogramms: Eine Dual-Center-Kohortenstudie

Nach gründlichem Screening gemäß den Ein- und Ausschlusskriterien wurden die Patienten der beiden großen medizinischen Zentren für diese Studie in zwei Kohorten aufgeteilt. Kohorte 1 diente hauptsächlich als Trainings- und interne Validierungsgruppe, während Kohorte 2 zur externen Validierung des aus Kohorte 1 erstellten Vorhersagemodells verwendet wurde. Wir verwendeten sechs verschiedene maschinelle Lernmethoden, darunter DT, RF, XGBOOST, SVM, lightGBM und SHLNN, zusätzlich zur konventionellen logistischen Regression, um das Vorhersagemodell zu erstellen. Wir wählten den Ansatz mit der besten Sensitivität und Spezifität, indem wir den Konkordanzindex (C-Index), ähnlich der Fläche unter der ROC-Kurve (AUC), dieser sieben verschiedenen Modellbildungsmethoden verglichen. Das Vorhersagemodell für Kohorte 1 wurde dann mit dieser Methode erstellt und die interne Validierung abgeschlossen. Schließlich wurde Kohorte 2 einer externen Validierung des Vorhersagemodells unterzogen.