Tulkittavat koneoppimismallit mahasyöpäpotilaiden ennustamiseen

Tämän monikeskustutkimuksen, retrospektiivisen kohorttitutkimuksen tavoitteena oli kehittää ja validoida selitettävissä oleva ennustemalli mahalaukun poiston jälkeiselle ennusteelle mahasyöpäpotilailla. Tutkimukseen osallistui potilaita, joille tehtiin radikaali gastrektomia primaarisen mahalaukun tai ruokatorven liitossyövän vuoksi useissa Kiinan laitoksissa.

Ensisijaisena tavoitteena oli luoda koneoppimiseen perustuva malli gastrektomian jälkeisten postoperatiivisten tulosten ennustamiseksi käyttämällä helposti saatavilla olevia kliinisiä ja patologisia parametreja. Kiinnostuksen pääasiallinen tulos oli varhainen uusiutuminen 2 vuoden sisällä leikkauksesta, mikä vaikuttaa merkittävästi yleiseen ennusteeseen.

Tutkimuksessa käytettiin erilaisia ​​koneoppimisalgoritmeja ennustemallien kehittämiseen, joita sitten verrattiin ja validoitiin. Mallin suorituskykyä arvioitiin sellaisilla mittareilla kuin vastaanottimen toimintakäyrän alla oleva pinta-ala (AUC), kalibrointi ja Brier-pisteet. SHapley Additive ExPlanations (SHAP) -menetelmää käytettiin mallin tulkitsemiseen ja ominaisuuden tärkeyden asettamiseen.

Tämän tutkimuksen tavoitteena on tarjota kliinikoille työkalu tunnistaa potilaita, joilla on suurempi riski saada huonoja postoperatiivisia tuloksia ja jotka voivat hyötyä tehokkaammasta postoperatiivisesta seurannasta ja varhaisista interventiostrategioista, mikä saattaa parantaa mahasyöpäpotilaiden ennustetta.