预测转移性染细胞瘤和偏角细胞瘤:一个机器学习建模研究,使用来自横截面队列的数据

科学领域:

• 内分泌学 在内分泌学.
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 叶红细胞瘤和偏角细胞瘤 (PPGLs) 具有显著的转移性疾病率.
• 在PPGL中预测转移潜力仍然具有挑战性.

研究的目的:

• 评估甲氧提拉胺在预测转移性PPGL中的实用性.
• 使用具有附加功能的机器学习 (ML) 模型改进预测.
• 将ML模型的性能与专家预测进行比较.

主要方法:

• 在267名患者中对甲氧胺的前性评估.
• 使用493名患者的ML模型的回顾性培训和验证.
• 对潜在队列中最好的ML模型的外部验证.
• 与12位专家的预测进行比较.

主要成果:

• 仅仅血甲氧胺对转移性疾病具有52%的敏感性和85%的特异性.
• 使用九个特征的集合树分类器实现了0.942.9的AUC.
• 在外部验证中,ML模型的表现优于专家,灵敏度为83%,特异性为92%.

结论:

• 甲索西胺对转移性PPGLs的预测价值有限.
• 结合临床和生化特征的ML模型大大提高了预测.
• 开发的ML模型为管理PPGL患者提供了手术前的工具.