Prédire les trajectoires des symptômes après une chirurgie thoracoscopique du cancer du poumon à l'aide d'un modèle d'apprentissage automatique interprétable

La chirurgie thoracoscopique du cancer du poumon est une approche largement utilisée pour traiter le cancer du poumon précoce et localement avancé. Malgré les avantages de la chirurgie thoracoscopique, tels qu'une invasion minime et une récupération rapide, les patients souffrent toujours de divers symptômes tels que des douleurs, un essoufflement, des troubles du sommeil ou de la fatigue après la chirurgie, qui affectent gravement la qualité de vie. Cependant, il existe un manque d’outils prédictifs validés pour identifier les patients potentiellement à haut risque. Cette étude devrait inclure environ 1 500 patients atteints d'un cancer du poumon qui subissent une chirurgie thoracoscopique. Les patients sont invités à remplir le module MD Anderson Symptom Inventory-Lung Cancer après une chirurgie thoracoscopique. Les symptômes intéressants comprennent la douleur, l’essoufflement, les troubles du sommeil et la fatigue. Les symptômes modérés à sévères ont été définis comme un score ≥ 4. La modélisation mixte de classes latentes (LCMM), une technique de regroupement, peut identifier des sous-groupes de patients présentant des trajectoires de symptômes similaires sur la base de données longitudinales sur les résultats rapportés par les patients (PRO). Des modèles d'apprentissage automatique ont été développés pour prédire les trajectoires des symptômes postopératoires sur la base des informations collectées, notamment des informations démographiques et cliniques, ainsi que des données opératoires. Les modèles d'apprentissage automatique incluent principalement Random Forest, Support Vector Machines, Neural Networks, XGBoost, etc. Le modèle le plus approprié est sélectionné et l'interprétation du modèle est effectuée à l'aide de la méthode SHAP. Une prédiction efficace des symptômes postopératoires peut aider à identifier les patients à haut risque et à prendre des mesures préventives.