机器学习算法使用系统性炎症标记器来预测手术后结肠直肠癌的瘤结果

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 结肠直肠癌 (CRC) 的生存预测仍然是一个挑战.
• 血清炎症标记因其预后潜力而越来越被认可.

研究的目的:

• 评估机器学习 (ML) 算法的临床意义,用于预测结直肠癌 (CRC) 患者的生存率.
• 开发和验证基于ML的预测得分,使用血清炎症标志物.

主要方法:

• 在15个炎症标志物组合上使用随机森林算法开发了四个预测分数 (DFS分数-1至-4).
• 在西队列 (n=803) 中训练有素的模型,并在I-III阶段的CRC患者的Ulsan队列 (n=138) 中得到验证.
• 利用考克斯的比例危险模型和哈雷尔的一致性指数 (C指数) 来评估预后性能.

主要成果:

• 在训练和测试组中,DFS得分-4作为独立的预后因素出现 (HR分别为8.98和2.55).
• DFS得分-4在测试组中实现了比淋巴细胞与C反应蛋白比率 (LCR) (0.659) 更高的C指数 (0.727).
• DFS得分-3 (C指数为0.725) 显示出与DFS得分-4.0相比的可比预测能力.

结论:

• 基于ML的方法在CRC中预测无病存活率 (DFS) 方面显示出显著的预后效用.
• 这些算法可以增强炎症标志物的临床应用,用于结直肠癌患者的治疗.