Сравнение шести различных методов машинного обучения с традиционной моделью для синдрома низкой передней резекции после малоинвазивной хирургии рака прямой кишки — разработка и внешняя валидация номограммы: когортное исследование в двух центрах

После тщательного скрининга на основе критериев включения и исключения пациенты из двух крупных медицинских центров были разделены на две когорты для данного исследования. Когорта 1 служила в основном в качестве обучающего и внутреннего валидационного набора, в то время как Когорта 2 использовалась для внешней валидации прогностической модели, построенной на основе Когорты 1. Мы использовали шесть различных методов машинного обучения, включая DT, RF, XGBOOST, SVM, lightGBM и SHLNN, в дополнение к традиционной логистической регрессии для создания прогностической модели. Мы выбрали подход с наилучшей чувствительностью и специфичностью, сравнивая индекс конкордантности (C-index), аналогичный площади под ROC-кривой (AUC) этих семи различных методов построения моделей. Прогностическая модель для Когорты 1 была затем построена с использованием этого метода, и внутренняя валидация была завершена. Наконец, Когорта 2 прошла внешнюю валидацию прогностической модели.