Interpreteerbare Machine Learning-modellen voor de prognose bij maagkankerpatiënten

Deze multicenter, retrospectieve cohortstudie had tot doel een verklaarbaar voorspellingsmodel voor de prognose na gastrectomie bij patiënten met maagkanker te ontwikkelen en te valideren. De studie omvatte patiënten die radicale gastrectomie ondergingen voor primaire maag- of gastro-oesofageale kruispuntkanker in meerdere instellingen in China.

Het primaire doel was om een ​​op machine learning gebaseerd model te creëren om postoperatieve uitkomsten na gastrectomie te voorspellen, met behulp van direct beschikbare klinische en pathologische parameters. De belangrijkste uitkomst die van belang was, was een vroeg recidief binnen twee jaar na de operatie, wat een aanzienlijke invloed heeft op de algehele prognose.

Bij het onderzoek werden verschillende machine learning-algoritmen gebruikt om voorspellingsmodellen te ontwikkelen, die vervolgens werden vergeleken en gevalideerd. De prestaties van het model werden beoordeeld aan de hand van metingen zoals het gebied onder de receiver operating karakteristieke curve (AUC), kalibratie en Brier-score. De SHapley Additive exPlanations (SHAP)-methode werd gebruikt om het model te interpreteren en de belangrijkheid van kenmerken te rangschikken.

Dit onderzoek heeft tot doel artsen een hulpmiddel te bieden voor het identificeren van patiënten met een hoger risico op slechte postoperatieve resultaten, die baat kunnen hebben bij intensievere postoperatieve monitoring en vroege interventiestrategieën, waardoor de prognose voor maagkankerpatiënten mogelijk wordt verbeterd.