Vorhersage von Symptomverläufen nach einer thorakoskopischen Lungenkrebsoperation mithilfe eines interpretierbaren Modells für maschinelles Lernen

Die thorakoskopische Lungenkrebschirurgie ist ein weit verbreiteter Ansatz zur Behandlung von frühem und lokal fortgeschrittenem Lungenkrebs. Trotz der Vorteile der thorakoskopischen Chirurgie, wie minimaler Eingriff und schnelle Genesung, leiden Patienten nach der Operation immer noch unter einer Vielzahl von Symptomen wie Schmerzen, Atemnot, Schlafstörungen oder Müdigkeit, die die Lebensqualität erheblich beeinträchtigen. Es mangelt jedoch an validierten Prognoseinstrumenten zur Identifizierung potenziell Hochrisikopatienten. Diese Studie wird voraussichtlich etwa 1.500 Lungenkrebspatienten umfassen, die sich einer thorakoskopischen Operation unterziehen. Patienten werden gebeten, nach einer thorakoskopischen Operation das MD Anderson Symptom Inventory-Lung Cancer-Modul auszufüllen. Zu den interessanten Symptomen gehören Schmerzen, Kurzatmigkeit, Schlafstörungen und Müdigkeit. Mittelschwere bis schwere Symptome wurden als ein Wert von ≥ 4 definiert. Latent Class Mixed Modeling (LCMM), eine Clustering-Technik, kann Untergruppen von Patienten mit ähnlichen Symptomverläufen auf der Grundlage von longitudinalen PRO-Daten (Patient Reported Outcome) identifizieren. Es wurden Modelle für maschinelles Lernen entwickelt, um postoperative Symptomverläufe auf der Grundlage gesammelter Informationen, einschließlich demografischer und klinischer Informationen sowie operativer Daten, vorherzusagen. Zu den maschinellen Lernmodellen gehören hauptsächlich Random Forest, Support Vector Machines, Neural Networks, XGBoost usw. Das am besten geeignete Modell wird ausgewählt und die Modellinterpretation erfolgt mithilfe der SHAP-Methode. Eine effektive Vorhersage postoperativer Symptome kann dabei helfen, Hochrisikopatienten zu identifizieren und vorbeugende Maßnahmen zu ergreifen.