Voorspellen van symptoomtrajecten na thoracoscopische longkankerchirurgie met behulp van een interpreteerbaar Machine Learning-model

Thoracoscopische longkankerchirurgie is een veelgebruikte aanpak voor de behandeling van vroege en lokaal gevorderde longkanker. Ondanks de voordelen van thoracoscopische chirurgie, zoals minimale invasie en snel herstel, lijden patiënten na de operatie nog steeds aan een verscheidenheid aan symptomen zoals pijn, kortademigheid, slaapstoornissen of vermoeidheid, die de kwaliteit van leven ernstig aantasten. Er is echter een gebrek aan gevalideerde voorspellende instrumenten om potentieel hoogrisicopatiënten te identificeren. Aan dit onderzoek zullen naar verwachting ongeveer 1.500 longkankerpatiënten deelnemen die een thoracoscopische operatie ondergaan. Patiënten worden uitgenodigd om na thoracoscopische chirurgie de MD Anderson Symptoom Inventarisatie-Longkanker module in te vullen. Symptomen die van belang zijn, zijn onder meer pijn, kortademigheid, slaapstoornissen en vermoeidheid. Matige tot ernstige symptomen werden gedefinieerd als een score van ≥ 4. Latent class mixed modeling (LCMM), een clustertechniek, kan subgroepen van patiënten met vergelijkbare symptoomtrajecten identificeren op basis van longitudinale patiëntgerapporteerde uitkomstgegevens (PRO). Machine learning-modellen zijn ontwikkeld om postoperatieve symptoomtrajecten te voorspellen op basis van verzamelde informatie, waaronder demografische en klinische informatie, en operatieve gegevens. De machine learning-modellen omvatten voornamelijk Random Forest, Support Vector Machines, Neural Networks, XGBoost, enz. Het meest geschikte model wordt geselecteerd en de modelinterpretatie wordt uitgevoerd met behulp van de SHAP-methode. Effectieve voorspelling van postoperatieve symptomen kan helpen bij het identificeren van patiënten met een hoog risico en het nemen van preventieve maatregelen.