Development and validation of LightGBM algorithm for optimizing of Helicobacter pylori antibody during the minimum living guarantee crowd based gastric cancer screening program in Taizhou, China
Notice bibliographique
Résumé
Gastric cancer continues to be a significant health concern in China, with a high incidence rate. To mitigate its impact, early detection and treatment is key. However, conducting large-scale endoscopic gastric cancer screening is not feasible in China. Instead, a more appropriate approach would be to initially screen high-risk groups and follow up with endoscopic testing as needed. We conducted a study on 25,622 asymptomatic participants aged 45-70 years from a free gastric cancer screening program in the Taizhou city government's Minimum Living Guarantee Crowd (MLGC) initiative. Participants completed questionnaires, blood tests, and underwent gastrin-17 (G-17), pepsinogen I and II (PGI and PGII), and H. pylori IgG antibody (IgG) assessments. Using the light gradient boosting machine (lightGBM) algorithm, we developed a predictive model for gastric cancer risk. In the full model, F1 score was 2.66%, precision was 1.36%, and recall was 58.14%. In the high-risk model, F1 score was 2.51%, precision was 1.27%, and recall was 94.55%. Excluding IgG, the F1 score was 2.73%, precision was 1.40%, and recall was 68.62%. We conclude that H. pylori IgG appears to be able to be excluded from the prediction model without significantly affecting its performance, which is important from a health economic point of view. It suggests that screening indicators can be optimized, and expenditures reduced. These findings can have important implications for policymakers, as we can focus resources on other important aspects of gastric cancer prevention and control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».