网站首页今日更新 > 正文

使用机器学习方法预测成人口腔癌相关死亡率

2024-03-20 10:23:21 今日更新来源：

导读一项旨在预测美国成年人口腔癌相关死亡率的研究，并使用机器学习方法确定口腔癌相关死亡率的预测因素。于 3 月 13 日在第 102 届 IA...

一项旨在预测美国成年人口腔癌相关死亡率的研究，并使用机器学习方法确定口腔癌相关死亡率的预测因素。于 3 月 13 日在第 102 届 IADR 全体会议上提出，该会议与美国牙科、口腔和颅面研究协会第 53 届年会和加拿大牙科研究协会第 48 届年会同时举行。 2024 年 10 月 16 日，美国路易斯安那州新奥尔良

摘要“使用机器学习方法预测成人口腔癌相关死亡率”于 2024 年 3 月 14 日星期四中部标准时间上午 8 点在“口腔健康中的人工智能和机器学习应用”口头会议期间提出。 UTC-6)。

这项研究由美国宾夕法尼亚州费城天普大学科恩伯格牙科学院的 Aavishi Arora 进行，从 SEER 数据库(1975 年至 2022 年)中提取了 8,176 名参与者的数据。

提取了一系列 38 个人口统计学、临床病理学和生活方式因素，以及编码为“死于口腔癌”和“活着/死于其他原因”的结果变量口腔癌相关死亡率 (OCRM)。使用R中的配方包对数据进行预处理。机器学习(ML)模型-极限梯度提升(XGBOOST)用于在五倍交叉验证下进行口腔癌预后预测，以防止数据过度拟合或欠拟合。

使用 Brier 评分、曲线下面积 (AUC)、特异性、敏感性和准确性来评估模型性能。使用 R 中的 MachineShop 包执行 ML 模型。研究参与者中有 63% 是男性，主要是非西班牙裔白人 (71%)。 7,444 名参与者因其他原因活着或死亡，其中 732 人因癌症死亡。

ML 模型 (XGBoost) 的预测性能显示 Brier 评分为 0.0677，准确度为 91%，kappa 统计量为 13%，ROC AUC 为 84%，敏感性为 99%，特异性低于 1%。在评估的 38 个变量中，发现 17 个是 OCRM 最重要的预测因子。

OCRM 最重要的预测因素(按降序排列)是癌症分期组、年龄、T 分期、淋巴结手术、癌症部位、肿瘤罕见性、N 分期、婚姻状况、辐射、收入、分级、淋巴结大小、手术辐射顺序、种族、组织学、多种原发性癌症的序列号、肿瘤起源的配对器官的一侧。因此，机器学习模型可以利用国家癌症登记处的临床病理学变量有效预测口腔癌死亡率。

版权说明： 本文由用户上传，如有侵权请联系删除！

标签：

网站首页今日更新 > 正文

使用机器学习方法预测成人口腔癌相关死亡率

猜你喜欢：

最新文章：

网站首页 今日更新 > 正文

使用机器学习方法预测成人口腔癌相关死亡率

猜你喜欢：

最新文章：

网站首页今日更新 > 正文