ارائه یک الگوریتم توضیح‌پذیر برای پیش‌بینی مدت بقا بیماران مبتلا به سرطان معده

هدف: پیش بینی مدت بقا در بیماران مبتلا به سرطان معده با استفاده از مدل های دقیق و قابل تفسیر می تواند نقش مهمی در تصمیم گیری های بالینی و مدیریت درمان داشته باشد. در این مطالعه، مدلی ترکیبی مبتنی بر الگوریتم رگرسیون بردار پشتیبان(svr) و روش توضیح پذیر lime برای پیش بینی مدت بقا در بیماران مبتلا به سرطان معده ارائه شده است.روشها: این مطالعه به صورت گذشته نگر بر رویداده های مربوط به 384 بیمار مبتلا به سرطان معده، در بازه زمانی 20 ساله انجام شد. برای پیش بینی مدت بقا، از مدل رگرسیون بردار پشتیبان (svr ) با کرنل rbf استفاده گردید. مدل svr به دلیل توانایی بالا در مدل سازی روابط غیرخطی پیچیده در داده های پیوسته انتخاب شد. به منظور افزایش تفسیرپذیری نتایج، الگوریتم lime برای تحلیل تاثیر متغیرها به کار گرفته شد. عملکرد مدل با استفاده از شاخص هایی مانند c-index ، میانگین خطای مطلق (mae) و میانگین مربعات خطا ( mse ) مورد ارزیابی قرار گرفت.نتایج: مدل svr به ترتیب c-index معادل 87 / mae ،0 برابر با 3/ 45 روز و mse برابر با 7/ 56 را نشان داد. تحلیل lime نشان داد که متغیرهایی مانند درمان ترکیبی، پاتولوژی آدنوکارسینوما، سطح تحصیلات و سن در زمان تشخیص تاثیر مثبت و عواملی مانند اعتیاد، سابقه خانوادگی سرطان معده و علت مرگ تاثیر منفی در پی شبینیمدت بقا داشتند.نتیجه گیری: ترکیب الگوریتم svr با تحلیل lime ، مدلی تفسیرپذیر برای پیش بینی مدت بقا در بیماران مبتلا به سرطان معده ارائه داد. تفسیرپذیری این مدل، آن را به گزینه ای مناسب برای استفاده در محیط های بالینی تبدیل میکند که در آن شفافیت و اعتمادپذیری در تصمیم گیری اهمیت بالایی دارد.

an explainable algorithm for survival prediction in gastric cancer patients

introduction: accurate and interpretable prediction of survival duration in patients withgastric cancer can significantly enhance clinical decision-making and treatment planning. this study presents a hybrid model based on support vector regression (svr) and the lime algorithm to predict the survival time of patients with gastric cancer.methods: this retrospective study included data from 384 patients diagnosed with gastric cancer over a 20-year period. to predict survival time, a support vector regression (svr) model with an rbf kernel was applied. svr was selected because of its strong capability to model complex nonlinear relationships in continuous data. to enhance the interpretability of the results, the lime algorithm was used to analyze the influence of individual variables. the model performance was evaluated using the c-index, mean absolute error (mae), and mean squared error (mse).results: the svr model achieved a c-index of 0.87, mae of 45.3 days, and mse of 56.7. lime analysis showed that while addiction, family history of gastric cancer, and cause of death had negative effects on survival prediction, factors such as combination therapy, adenocarcinoma histology, education level, and age at diagnosis had a substantial beneficial impact.discussion: a dependable and understandable model for forecasting survival time in patients with stomach cancer was developed using the combination of svr and lime. the model's interpretability makes it appropriate for clinical settings, where decision-making procedures require transparency and trust.