预测长期复发的免疫组合化学标志物,在切除断层和脊髓瘤之后:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 脊髓瘤是一种罕见的骨恶性瘤,起源于脊髓残留物,经常影响骨和骨.
• 尽管进行了包括手术和放射治疗在内的积极治疗,但瘤的复发率很高.
• 冠状瘤复发的预测标志物仍未得到充分研究,需要新的分析方法.

研究的目的:

• 确定免疫组织化学 (IHC) 标志物,预测治疗后长期 (≥1年) 冠状瘤复发.
• 为了利用机器学习 (ML) 算法来分析IHC和临床病理学数据来预测胆瘤复发.
• 评估基于树的ML模型在识别罕见瘤中复发模式的有效性.

主要方法:

• 在2017年至2021年期间,对151名患者进行了分断性,脊柱性或神经状瘤治疗的回顾性审查.
• 训练和测试决策树和随机森林ML分类器,使用80/20数据分割来预测长期复发.
• 对包括IHC标志物在内的人口统计,治疗和组织病理学数据的分析,以确定预测因素.

主要成果:

• 多变量分析表明S100和泛细胞克拉丁是增加复发风险的预测因素 (OR分别为3.67和3.74).
• 决策树分析在预测复发方面取得了77%的准确性,临床随访> 1897天是一个重要的因素.
• 随机森林分析确定了患者年龄,瘤位置,手术治疗类型,S100,泛细胞克拉丁和EMA作为长期复发的关键预测因素.

结论:

• 结合IHC和临床病理变量与ML工具,在识别心脏瘤复发模式方面显示77%的准确性.
• S100,泛细胞卡拉丁和EMA成为瘤复发的显著IHC驱动因素.
• 机器学习算法在分析小样本大小的罕见情况方面表现出相当大的力量,为结果预测提供了洞察力.