目的采用4种机器学习算法分别构建结直肠癌患者术前营养不良的临床风险预测模型,探讨其预测价值。方法回顾性收集2023年1月—2024年5月在新疆医科大学附属肿瘤医院胃肠外科就诊的412例结直肠癌患者的术前资料;按7∶3的比例随机分为训练...目的采用4种机器学习算法分别构建结直肠癌患者术前营养不良的临床风险预测模型,探讨其预测价值。方法回顾性收集2023年1月—2024年5月在新疆医科大学附属肿瘤医院胃肠外科就诊的412例结直肠癌患者的术前资料;按7∶3的比例随机分为训练集(n=288)和验证集(n=124),采用单因素分析及二元logistic回归分析筛选出术前营养不良的预测因子;基于逻辑回归(LR)、支持向量机(SVM)、轻量级梯度提升(LightGBM)、多层感知机(MLP)4种机器学习算法分别构建结直肠癌患者术前营养不良风险预测模型,绘制ROC曲线评价4种算法模型预测效能,通过Delong检验比较4种模型的AUC差异。选择最优算法模型,采用校准曲线和临床决策曲线(DCA曲线)进行验证。结果(1)结直肠癌患者术前营养不良发生率为33.7%,年龄、Braden评分是其独立危险因素;(2)训练集中LightGBM算法模型预测结直肠癌患者术前发生营养不良的AUC高于LR、SVM、MLP算法模型(0.941 VS 0.874、0.830、0.831);(3)ROC曲线结果提示,LightGBM算法模型验证集中预测结直肠癌患者术前发生营养不良的AUC为0.926(95%CI:0.882~0.969);校准曲线显示,LightGBM算法模型预测结直肠癌患者术前发生营养不良的曲线与实际发生营养不良一致性良好;DCA曲线结果显示,LightGBM算法模型在阈值概率区间为0.16~0.79可以提供显著临床净收益。结论基于LightGBM算法构建的临床预测模型在预测结直肠癌患者术前发生营养不良中有较高价值,可以为临床人员实施营养管理提供参考。展开更多
文摘目的采用4种机器学习算法分别构建结直肠癌患者术前营养不良的临床风险预测模型,探讨其预测价值。方法回顾性收集2023年1月—2024年5月在新疆医科大学附属肿瘤医院胃肠外科就诊的412例结直肠癌患者的术前资料;按7∶3的比例随机分为训练集(n=288)和验证集(n=124),采用单因素分析及二元logistic回归分析筛选出术前营养不良的预测因子;基于逻辑回归(LR)、支持向量机(SVM)、轻量级梯度提升(LightGBM)、多层感知机(MLP)4种机器学习算法分别构建结直肠癌患者术前营养不良风险预测模型,绘制ROC曲线评价4种算法模型预测效能,通过Delong检验比较4种模型的AUC差异。选择最优算法模型,采用校准曲线和临床决策曲线(DCA曲线)进行验证。结果(1)结直肠癌患者术前营养不良发生率为33.7%,年龄、Braden评分是其独立危险因素;(2)训练集中LightGBM算法模型预测结直肠癌患者术前发生营养不良的AUC高于LR、SVM、MLP算法模型(0.941 VS 0.874、0.830、0.831);(3)ROC曲线结果提示,LightGBM算法模型验证集中预测结直肠癌患者术前发生营养不良的AUC为0.926(95%CI:0.882~0.969);校准曲线显示,LightGBM算法模型预测结直肠癌患者术前发生营养不良的曲线与实际发生营养不良一致性良好;DCA曲线结果显示,LightGBM算法模型在阈值概率区间为0.16~0.79可以提供显著临床净收益。结论基于LightGBM算法构建的临床预测模型在预测结直肠癌患者术前发生营养不良中有较高价值,可以为临床人员实施营养管理提供参考。
