两种基于机器学习的诺姆图来预测胰腺神经内分泌瘤肝转移的风险和预后因素:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 内分泌学 在内分泌学.
• 医疗信息学 医疗信息学

背景情况:

• 胰腺神经内分泌瘤 (PNET) 经常转移到肝脏.
• 目前,没有经过验证的诺姆图形存在,可以预测PNETLM的诊断或预后.
• 这就需要为临床决策开发可靠的预测工具.

研究的目的:

• 开发和验证PNET患者肝转移的诊断和预后的预测模型 (nomograms).
• 帮助临床医生做出有关PNET患者管理的明智决策.

主要方法:

• 使用了监测,流行病学和最终结果 (SEER) 数据库 (2010-2016).
• 使用机器学习来进行特征选择和模型构建.
• 使用AUC,ROC曲线,校准图表,C指数,K-M曲线和DCA验证的诺莫格拉姆性能.

主要成果:

• 确定了PNETLM的独立风险因素:组织学等级,N阶段,手术,化疗,瘤大小和骨转移.
• 患有LM的PNET患者的预后因素包括组织学亚型,等级,手术,年龄和大脑转移.
• 开发的诺米图表显示出良好的预测性能和准确性.

结论:

• 成功开发了PNET肝转移的两个临床显著的预测模型.
• 这些名图支持PNET患者个性化临床决策.