JAMA: 利用非成像信息和序贯病历评估深度学习,建立非黑色素瘤皮肤癌预测模型

背景: 新发现的非黑色素瘤皮肤癌的预测模型可以增强预防措施，但很少有患者数据驱动的工具可用于更准确的预测。

实验目的: 利用机器学习，建立基于大规模，多维，非成像医学信息的非黑色素瘤皮肤癌预测模型。

实验方法: 本研究使用了一个数据库，该数据库包括来自台湾国家健康保险研究数据库的200万随机抽样患者，从1999年1月1日到2013年12月31日。共有1829名患有非黑色素瘤皮肤癌的患者作为他们的第一次诊断癌症和7665名无随机对照癌症包括在分析中。卷积神经网络，深度学习方法，用于开发风险预测模型。该风险预测模型使用3年临床诊断信息，医疗记录和时间顺序信息来预测明年内给定患者的皮肤癌风险。还进行逐步特征选择以研究模型的重要和决定因素。统计分析于2016年11月1日至2018年10月31日进行。接受者操作特征(AUROC)曲线下的敏感性，特异性和面积用于评估模型的性能。

实验结果: 共有1829名患者(923名女性[50.5%]和906名男性[49.5%];平均[SD]年龄，65.3 [15.7]岁)患有非黑色素瘤皮肤癌和7665名无癌症随机对照组(3951名女性[51.5%]和3714名男性[48.4%];平均[SD]年龄，47.5 [17.3]岁)被纳入分析。使用序贯诊断信息和药物处方信息作为时间特征矩阵的1年事件非黑色素瘤皮肤癌风险预测模型可以达到0.89(95%CI，0.87-0.91)的AUROC，平均(SD)敏感性为83.1%(3.5%)和平均(SD)特异性为82.3%(4.1%)。原位癌(AUROC，0.867; -2.80%损失)和其他慢性合并症(如退行性骨病[AUROC，0.872; -2.32%损失]，高血压[AUROC，0.879; -1.53%损失]和慢性肾脏)不足[AUROC，0.879; -1。52%的损失])作为预测的更多判别因素。曲唑酮，阿卡波糖，全身性抗真菌药，他汀类药物，非甾体类抗炎药和噻嗪类利尿剂等药物是该模型中的最高级别判别特征; 当单独消除时，各自导致AUROC减少超过1%(例如，曲唑酮AUROC，0.868;减少-2.67%;阿卡波糖AUROC，0.870;减少-2.50;和全身性抗真菌剂AUROC，0.875;减少-1.99)。阿卡波糖AUROC，0.870; 减少-2.50; 和全身性抗真菌药AUROC，0.875; 减少-1.99)。阿卡波糖AUROC，0.870; 减少-2.50; 和全身性抗真菌药AUROC，0.875; 减少-1.99)。

结论: 本研究的结果表明风险预测模型可能具有非黑色素瘤皮肤癌的潜在预测因素。该模型可以帮助医疗保健专业人员针对更高密度的皮肤癌预防方法针对高危人群。

原始出处: Assessment of Deep Learning Using Nonimaging Information and Sequential Medical Records to Develop a Prediction Model for Nonmelanoma Skin Cancer

本文系晟斯医学(ShengSci)原创编译整理，转载需授权！