基于检验大数据的结直肠癌风险预测模型建立与验证

摘要

目的 通过机器学习算法挖掘常规检验大数据构建结直肠癌(CRC)风险预测模型.方法 收集长海医院2013年1月1日至2019年6月30日结肠镜检查者,收集2010年1月1日至2019年6月30日全院门诊和住院患者,根据肠镜联合病理结果标注或参照ICD-10编码,分别纳入CRC组和非CRC组.采用极限梯度提升(Xgboost)、人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)4种机器学习算法挖掘入组患者的所有常规检验项目数据,选择模型特征并建立CRC的分类模型.在2019年7月1日至2020年8月31日长海医院所有就诊者对模型效能进行前瞻性验证,并验证模型对＜50岁患者及粪隐血阴性患者CRC鉴别能力.结果 采用XgBoost算法构建了包含粪隐血,癌胚抗原、红细胞分布宽度、淋巴细胞计数、白蛋白/球蛋白、高密度脂蛋白胆固醇和乙型肝炎病毒核心抗体7个特征的CRC风险预测模型CRC-Lab7.模型在验证集与前瞻性验证集的曲线下面积(AUC)分别为0.799和0.816,明显高于粪隐血(AUC为0.68和0.706).CRC-Lab7对50岁以下及粪隐血阴性的CRC也具有较高的诊断准确性(AUC分别为0.84和0.69).结论 本研究通过挖掘常规检验大数据建立了CRC风险预测模型,模型效能优于粪隐血,且对粪隐血阴性及小于50岁人群的CRC具有较高的诊断准确性.