基于机器学习的预测模型的构建与验证：用于评估结直肠癌患者接受造口手术后出现社会隔离的情况

《BMC Gastroenterology》：Construction and validation of a machine learning-based prediction model for social isolation in patients with colorectal cancer after stoma surgery

　　

摘要

目的

本研究旨在调查结直肠癌手术后接受肠造口术患者的社会疏离现状及其影响因素，并为这一人群建立社会疏离的风险预测模型。

方法

2025年3月至2026年1月期间，通过方便抽样方法，从锦州某三级医院的普通外科（结直肠科）、肿瘤科和伤口造口诊所共招募了507名接受肠造口术的患者。数据集被随机分为训练集和验证集，比例为7:3。采用LASSO回归结合逻辑回归的方法筛选风险因素。研究使用了五种机器学习算法（包括逻辑回归（LG）、支持向量机（SVM）、朴素贝叶斯、K近邻（KNN）和极端梯度提升（XGBoost）来建立社会疏离的预测模型。通过接收者操作特征曲线下面积（AUC）、准确率、敏感性、特异性、精确度和F1分数等指标评估和比较这些模型的预测性能。同时利用校准曲线和决策曲线分析（DCA）来评估模型的适用性和临床实用性。

结果

在纳入的507名患者中，有211人出现了社会疏离现象，患病率为41.6%。在五种模型中，SVM模型的表现最为优异，其AUC为0.835（95%置信区间：0.772–0.899），敏感性为0.698，准确率为0.782，精确率为0.759，特异性为0.841，F1分数为0.727。校准曲线显示预测概率与实际概率之间的一致性良好。Hosmer–Lemeshow检验的χ2值为3.091（P = 0.929）。DCA分析表明该模型在整个阈值范围内均具有较高的净效益，显示出出色的临床应用价值。

结论

SVM模型在预测结直肠癌手术后肠造口术患者的社会疏离风险方面表现优异，可作为临床实践中早期识别的筛查工具。