使用建模和机器学习评估结肠直肠癌中循环乳酸脱酶的动态预测值

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 癌症预后 癌症预后

背景情况:

• 预治疗血清乳酸脱酶 (LDH) 是已知的转移性结直肠癌 (mCRC) 的预后标志物.
• 现有有限的模型将癌症治疗期间的纵向LDH测量整合到预后评估中.
• 了解治疗中的LDH动态对于完善mCRC中的生存预测至关重要.

研究的目的:

• 调查转移性结直肠癌 (mCRC) 中治疗期间LDH动态的预后价值.
• 开发和验证包含纵向LDH数据的模型,以改善生存预测.
• 评估当前和动态LDH水平对患者死亡风险的影响.

主要方法:

• 在二线 (2L) 和三线加 (3L+) mCRC设置中的两个大型III期临床试验的数据分析.
• 纵向LDH测量与基线风险因素的整合.
• 应用机器学习技术,包括功能主要组件分析 (FPCA) 和无监督集群.

主要成果:

• 与单独的基线变量相比,整合纵向LDH数据显著改善了生存预测准确性 (布赖尔得分) 和歧视 (AUC).
• 目前的LDH值显示出最强的预后性能.
• 在治疗期间的LDH水平仍然是不同mCRC治疗线的死亡率的重要独立预测指标.
• FPCA有效地从LDH轨迹中提取了信息特征,捕获了99%以上的变化.
• 无监督集群确定了具有明显LDH动态和生存结果的患者子组.

结论:

• 在治疗期间的LDH动态为mCRC患者提供了有价值的预后信息.
• 将纵向LDH数据集成到预测模型中可以提高风险分层和生存预测的准确性.
• 机器学习方法,如FPCA,为分析复杂的纵向生物标记数据提供了强大的工具.
• 这些发现支持使用LDH轨迹作为改善mCRC患者管理的成本有效方法.