Интерпретируемые модели машинного обучения для прогнозирования у пациентов с раком желудка

Это многоцентровое ретроспективное когортное исследование было направлено на разработку и проверку объяснимой модели прогнозирования прогноза после гастрэктомии у пациентов с раком желудка. В исследование были включены пациенты, перенесшие радикальную гастрэктомию по поводу первичного рака желудка или желудочно-пищеводного перехода в нескольких учреждениях Китая.

Основная цель заключалась в создании модели на основе машинного обучения для прогнозирования послеоперационных результатов после гастрэктомии с использованием легкодоступных клинических и патологических параметров. Основным исходом, представляющим интерес, был ранний рецидив в течение 2 лет после операции, что существенно влияет на общий прогноз.

В исследовании использовались различные алгоритмы машинного обучения для разработки моделей прогнозирования, которые затем сравнивались и проверялись. Эффективность модели оценивалась с помощью таких показателей, как площадь под кривой рабочей характеристики приемника (AUC), калибровка и показатель Брайера. Для интерпретации важности модели и ранжирования признаков использовался метод аддитивных объяснений Шепли (SHAP).

Это исследование направлено на то, чтобы предоставить клиницистам инструмент для выявления пациентов с более высоким риском плохих послеоперационных результатов, которым может быть полезен более интенсивный послеоперационный мониторинг и стратегии раннего вмешательства, потенциально улучшающие прогноз для пациентов с раком желудка.