Modelos interpretáveis ​​de aprendizado de máquina para prognóstico em pacientes com câncer gástrico

Este estudo de coorte retrospectivo multicêntrico teve como objetivo desenvolver e validar um modelo de predição explicável para o prognóstico após gastrectomia em pacientes com câncer gástrico. O estudo incluiu pacientes submetidos à gastrectomia radical por câncer gástrico primário ou da junção gastroesofágica em diversas instituições na China.

O objetivo principal foi criar um modelo baseado em aprendizado de máquina para prever resultados pós-operatórios após gastrectomia, usando parâmetros clínicos e patológicos prontamente disponíveis. O principal desfecho de interesse foi a recorrência precoce dentro de 2 anos após a cirurgia, o que impacta significativamente o prognóstico geral.

O estudo empregou vários algoritmos de aprendizado de máquina para desenvolver modelos de previsão, que foram então comparados e validados. O desempenho do modelo foi avaliado por meio de medidas como área sob a curva característica de operação do receptor (AUC), calibração e pontuação de Brier. O método SHapley Additive exPlanations (SHAP) foi usado para interpretar o modelo e classificar a importância do recurso.

Esta pesquisa visa fornecer aos médicos uma ferramenta para identificar pacientes com maior risco de resultados pós-operatórios ruins que podem se beneficiar de monitoramento pós-operatório mais intensivo e estratégias de intervenção precoce, melhorando potencialmente o prognóstico para pacientes com câncer gástrico.