Skip to main content
main-content

23.08.2017 | Original Article | Ausgabe 10/2017 Open Access

Digestive Diseases and Sciences 10/2017

Early Colorectal Cancer Detected by Machine Learning Model Using Gender, Age, and Complete Blood Count Data

Zeitschrift:
Digestive Diseases and Sciences > Ausgabe 10/2017
Autoren:
Mark C. Hornbrook, Ran Goshen, Eran Choman, Maureen O’Keeffe-Rosetti, Yaron Kinar, Elizabeth G. Liles, Kristal C. Rust
Wichtige Hinweise
A correction to this article is available online at https://​doi.​org/​10.​1007/​s10620-017-4859-5.

Abstract

Background

Machine learning tools identify patients with blood counts indicating greater likelihood of colorectal cancer and warranting colonoscopy referral.

Aims

To validate a machine learning colorectal cancer detection model on a US community-based insured adult population.

Methods

Eligible colorectal cancer cases (439 females, 461 males) with complete blood counts before diagnosis were identified from Kaiser Permanente Northwest Region’s Tumor Registry. Control patients (n = 9108) were randomly selected from KPNW’s population who had no cancers, received at ≥1 blood count, had continuous enrollment from 180 days prior to the blood count through 24 months after the count, and were aged 40–89. For each control, one blood count was randomly selected as the pseudo-colorectal cancer diagnosis date for matching to cases, and assigned a “calendar year” based on the count date. For each calendar year, 18 controls were randomly selected to match the general enrollment’s 10-year age groups and lengths of continuous enrollment. Prediction performance was evaluated by area under the curve, specificity, and odds ratios.

Results

Area under the receiver operating characteristics curve for detecting colorectal cancer was 0.80 ± 0.01. At 99% specificity, the odds ratio for association of a high-risk detection score with colorectal cancer was 34.7 (95% CI 28.9–40.4). The detection model had the highest accuracy in identifying right-sided colorectal cancers.

Conclusions

ColonFlag® identifies individuals with tenfold higher risk of undiagnosed colorectal cancer at curable stages (0/I/II), flags colorectal tumors 180–360 days prior to usual clinical diagnosis, and is more accurate at identifying right-sided (compared to left-sided) colorectal cancers.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Weitere Produktempfehlungen anzeigen
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 10/2017

Digestive Diseases and Sciences 10/2017 Zur Ausgabe
  1. Das kostenlose Testabonnement läuft nach 14 Tagen automatisch und formlos aus. Dieses Abonnement kann nur einmal getestet werden.

  2. Das kostenlose Testabonnement läuft nach 14 Tagen automatisch und formlos aus. Dieses Abonnement kann nur einmal getestet werden.

Neu im Fachgebiet Innere Medizin

Meistgelesene Bücher aus der Inneren Medizin

2017 | Buch

Rheumatologie aus der Praxis

Entzündliche Gelenkerkrankungen – mit Fallbeispielen

Dieses Fachbuch macht mit den wichtigsten chronisch entzündlichen Gelenk- und Wirbelsäulenerkrankungen vertraut. Anhand von über 40 instruktiven Fallbeispielen werden anschaulich diagnostisches Vorgehen, therapeutisches Ansprechen und der Verlauf …

Herausgeber:
Rudolf Puchner

2016 | Buch

Ambulant erworbene Pneumonie

Was, wann, warum – Dieses Buch bietet differenzierte Diagnostik und Therapie der ambulant erworbenen Pneumonie zur sofortigen sicheren Anwendung. Entsprechend der neuesten Studien und Leitlinien aller wichtigen Fachgesellschaften.

Herausgeber:
Santiago Ewig

Mail Icon II Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Innere Medizin und bleiben Sie gut informiert – ganz bequem per eMail.

© Springer Medizin 

Bildnachweise