Értelmezhető gépi tanulási modellek gyomorrákos betegek prognózisához

Ennek a multicentrikus, retrospektív kohorsz-vizsgálatnak az volt a célja, hogy egy magyarázható előrejelzési modellt dolgozzon ki és validáljon a gyomorrákos betegek gastrectomia utáni prognózisára. A vizsgálatban olyan betegek vettek részt, akiknél több kínai intézményben végeztek radikális gastrectomiát primer gyomor- vagy gasztrooesophagealis csomóponti rák miatt.

Az elsődleges cél egy gépi tanuláson alapuló modell létrehozása volt a gyomoreltávolítást követő posztoperatív eredmények előrejelzésére, könnyen elérhető klinikai és patológiai paraméterek felhasználásával. A fő érdeklődés a műtét utáni 2 éven belüli korai kiújulás volt, ami jelentősen befolyásolja az általános prognózist.

A tanulmány különféle gépi tanulási algoritmusokat használt az előrejelzési modellek kidolgozásához, amelyeket azután összehasonlítottak és validáltak. A modell teljesítményét olyan mérésekkel értékelték, mint a vevő működési jelleggörbe alatti terület (AUC), kalibráció és Brier-pontszám. A modell értelmezéséhez és a jellemzők fontosságának rangsorolásához az SHapley Additive ExPlanations (SHAP) módszert használtuk.

Ennek a kutatásnak az a célja, hogy a klinikusok számára eszközt biztosítson a rossz posztoperatív kimenetel nagyobb kockázatának kitett betegek azonosítására, akik számára előnyös lehet az intenzívebb posztoperatív megfigyelés és a korai beavatkozási stratégiák, ami potenciálisan javítja a gyomorrákos betegek prognózisát.