Modèles d'apprentissage automatique interprétables pour le pronostic chez les patients atteints d'un cancer gastrique

Cette étude de cohorte rétrospective multicentrique visait à développer et à valider un modèle de prédiction explicable du pronostic après gastrectomie chez les patients atteints d'un cancer gastrique. L'étude a inclus des patients ayant subi une gastrectomie radicale pour un cancer primaire de la jonction gastrique ou gastro-œsophagienne dans plusieurs institutions en Chine.

L'objectif principal était de créer un modèle basé sur l'apprentissage automatique pour prédire les résultats postopératoires après une gastrectomie, en utilisant des paramètres cliniques et pathologiques facilement disponibles. Le principal critère de jugement intéressant était la récidive précoce dans les 2 ans suivant la chirurgie, ce qui a un impact significatif sur le pronostic global.

L’étude a utilisé divers algorithmes d’apprentissage automatique pour développer des modèles de prédiction, qui ont ensuite été comparés et validés. Les performances du modèle ont été évaluées au moyen de mesures telles que l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), l'étalonnage et le score de Brier. La méthode SHapley Additive ExPlanations (SHAP) a été utilisée pour interpréter le modèle et classer l'importance des fonctionnalités.

Cette recherche vise à fournir aux cliniciens un outil pour identifier les patients présentant un risque plus élevé de mauvais résultats postopératoires et qui pourraient bénéficier d'une surveillance postopératoire plus intensive et de stratégies d'intervention précoce, améliorant potentiellement le pronostic des patients atteints d'un cancer gastrique.