利用机器学习预测结直肠癌手术后的静脉血栓栓塞症：一项中国动态建模研究

《International Journal of Surgery》：Machine learning to predict venous thromboembolism After Colorectal Cancer Surgery: a Chinese dynamic modelling study

机器学习模型成功预测中国结直肠癌术后静脉血栓栓塞症风险，整合术前术后临床特征，采用CatBoost算法和SHAP解释，验证集AUROC达0.950（术前）和0.971（术后），简化模型仍保持0.933-0.949性能，为个性化预防提供新工具。

　　

摘要通俗语言总结

---

背景：

目前用于预测结直肠癌（CRC）手术后静脉血栓栓塞症（VTE）的预测工具在个性化护理方面存在准确性不足的问题。为解决这一关键问题，我们开发了机器学习（ML）模型，以动态预测中国CRC手术患者的术后VTE风险。

方法：

我们利用CRC-VTE试验中46家中国医院的1,836名CRC手术患者的数据开发了ML模型。该队列被分为建模集（n = 1,515）和外部测试集（n = 321），建模集进一步分为训练子集和验证子集（比例为4:1）。通过递归特征消除和Boruta方法选择了术前和术后的临床特征。共开发并评估了162个ML模型，主要使用接收者操作特征曲线下面积（AUROC）来评估模型性能。最终模型在额外的多中心回顾性队列中进行了严格验证，并结合了Shapley加性解释（SHAP）方法用于风险计算和决策解释。

结果：

CatBoost模型表现出最佳性能，在验证集中的AUROC分别为0.950（术前数据）和0.971（术后数据），在测试集中的AUROC分别为0.686 ± 0.037（术前数据）和0.715 ± 0.036（术后数据）。结合术后数据的模型始终优于仅使用术前数据的模型。基于关键预测因子（通过SHAP值选出的7个术前特征和9个术后特征）的简化模型也保持了相当的性能，在验证集中的AUROC分别为0.933（术前数据）和0.949（术后数据），在测试集中的AUROC分别为0.640 ± 0.030（术前数据）和0.695 ± 0.030（术后数据）。

结论：

我们的研究表明，基于ML的方法可用于预测CRC手术后的VTE风险。将ML与SHAP方法结合使用，可以为个性化风险评估和优化VTE预防策略提供实用的工具。

通俗语言总结：研究人员开发了机器学习模型，用于预测接受结直肠癌手术的中国患者的静脉血栓栓塞症（VTE）风险。他们使用1,515名患者的数据进行模型开发，321名患者的数据进行测试，这些模型分析了术前和术后的临床特征。CatBoost模型显示出高准确性，在验证集中的AUROC分别为0.950（术前数据）和0.971（术后数据）。结合术后数据的模型表现优于仅使用术前数据的模型。基于关键预测因子的简化模型也保持了良好的性能。这种方法结合了Shapley加性解释（SHAP），为个性化VTE风险评估和预防策略提供了有前景的工具。

文本由机器生成，可能存在不准确之处。常见问题解答