Tolkbara maskininlärningsmodeller för prognos hos magcancerpatienter

Denna multicenter, retrospektiva kohortstudie syftade till att utveckla och validera en förklarlig prediktionsmodell för prognos efter gastrectomi hos patienter med magcancer. Studien inkluderade patienter som genomgick radikal gastrectomy för primär gastrisk eller gastroesofageal junction cancer på flera institutioner i Kina.

Det primära målet var att skapa en maskininlärningsbaserad modell för att förutsäga postoperativa resultat efter gastrectomy, med hjälp av lätt tillgängliga kliniska och patologiska parametrar. Det huvudsakliga resultatet av intresse var ett tidigt återfall inom 2 år efter operationen, vilket signifikant påverkar den totala prognosen.

Studien använde olika maskininlärningsalgoritmer för att utveckla prediktionsmodeller, som sedan jämfördes och validerades. Modellens prestanda utvärderades genom mätningar som area under mottagarens funktionskarakteristikkurva (AUC), kalibrering och Brier-poäng. Metoden SHapley Additive exPlanations (SHAP) användes för att tolka modellen och rangordna funktionens betydelse.

Denna forskning syftar till att ge kliniker ett verktyg för att identifiera patienter med högre risk för dåliga postoperativa resultat som kan dra nytta av mer intensiv postoperativ övervakning och tidiga interventionsstrategier, vilket potentiellt kan förbättra prognosen för magcancerpatienter.