転移性臓管状腺がんにおける早期死亡を予測するための機械学習モデルの開発と検証:SEERデータベースに基づく研究

科学分野:

• 腫瘍学 腫瘍学
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• バイオ統計学 バイオ統計学

背景:

• 転移性臓管内腺癌 (mPDAC) は,早期死亡のリスクが高い不良予後を示します.
• 高リスクのmPDAC患者の早期発見は,パーソナライズされた治療,緩和ケア,臨床試験の階層化にとって極めて重要です.

研究 の 目的:

• mPDAC患者における早期死亡の確率を予測するための機械学習 (ML) アルゴリズムの開発と検証.
• 診断時に高リスクのmPDAC患者を特定するのに臨床医を支援するツールを作成します.

主な方法:

• 大規模なコホート (14,820mPDAC患者) と外部検証のための独立した中国のコホートについて,サーベイランス,疫学,および最終結果 (SEER) データベースを利用した.
• 臨床的および病理学的特徴を用いた4つのMLモデルを開発および比較し,AUCによるパフォーマンスの評価,校正グラフ,および決定曲線解析を行いました.
• 特徴の重要性を解釈するために,モデル選択とSHAP値の10倍クロス検証を使用しました.

主要な成果:

• エクストリーム・グラデーション・ブースト (XGBoost) モデルは,最高パフォーマンス (AUC = 0.757) を達成し,中国の外部コホート (AUC = 0.780) で強い汎用性を示した.
• 化学療法が早期死亡の最も重要な予測因子として浮上し,次に年齢と婚姻状態が続いた.
• このモデルは堅実で,異なる集団に適用可能であることが証明されました.

結論:

• 解釈可能なMLモデルが開発され,mPDAC患者の早期死亡リスクを予測するために検証されました.
• 米国と中国のコホートにおけるモデルの強力なパフォーマンスは,その広範な臨床的有用性を強調しています.
• この予測ツールは,個別化された治療,緩和ケア,および様々な医療環境におけるリソースの割り当てを導くことができます.