Tolkbare maskinlæringsmodeller for prognose hos magekreftpasienter

Denne multisenter, retrospektive kohortstudien hadde som mål å utvikle og validere en forklarbar prediksjonsmodell for prognose etter gastrektomi hos pasienter med magekreft. Studien inkluderte pasienter som gjennomgikk radikal gastrectomy for primær gastrisk eller gastroøsofageal junction cancer på tvers av flere institusjoner i Kina.

Hovedmålet var å lage en maskinlæringsbasert modell for å forutsi postoperative utfall etter gastrektomi, ved å bruke lett tilgjengelige kliniske og patologiske parametere. Hovedresultatet av interesse var tidlig tilbakefall innen 2 år etter operasjonen, noe som i betydelig grad påvirker den generelle prognosen.

Studien brukte forskjellige maskinlæringsalgoritmer for å utvikle prediksjonsmodeller, som deretter ble sammenlignet og validert. Modellytelsen ble vurdert gjennom mål som areal under mottakerens driftskarakteristiske kurve (AUC), kalibrering og Brier-score. SHapley Additive exPlanations (SHAP)-metoden ble brukt til å tolke modellen og rangere funksjonens betydning.

Denne forskningen tar sikte på å gi klinikere et verktøy for å identifisere pasienter med høyere risiko for dårlige postoperative utfall som kan dra nytte av mer intensiv postoperativ overvåking og tidlige intervensjonsstrategier, som potensielt kan forbedre prognosen for magekreftpasienter.