Peut-on prédire la résécabilité d’une carcinose péritonéale ? Contribution du machine learning comme aide à la décision - 24/08/18
Résumé |
Introduction |
L’objectif de cette étude était de prédire la résécabilité de la carcinose péritonéale (CP) en utilisant un modèle de machine learning (ML) d’aide à la décision, chez des patients éligibles à une procédure de chirurgie de cytoréduction (CRS) associée à une chimiothérapie hyperthermique intrapéritonéale (CHIP).
Matériels et méthodes |
L’étude a été réalisée en intention de traiter, à partir de trois bases de données, entre janvier 2000 et décembre 2015. Un score de propension a permis d’obtenir deux groupes de patients comparables et appariés. Ensuite, plusieurs modèles d’algorithmes de classification ont été étudiés afin de déterminer le modèle ayant la performance de précision la plus élevée.
Résultats |
Trois cent dix patients ont été divisés en un groupe résection et un non résection. Neuf critères de non résécabilité ont été retenus traduisant l’atteinte d’organe. Cinq algorithmes de classification ont été testés. La base d’entraînement comprenait 218 patients et la base test 92. Le modèle le plus performant atteignait une précision de 97,82 %.
Conclusion |
Un modèle de ML par Random Forest nous a permis de prédire la résécabilité d’une CP. L’implémentation d’un plus grand nombre de patients permettra d’améliorer la précision de la prédiction et diminuer les laparotomies « blanches ».
Le texte complet de cet article est disponible en PDF.Plan
Vol 155 - N° S2
P. S66 - septembre 2018 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?