对皮肤黑色素瘤患者群的机器学习识别

科学领域:

• 在瘤学瘤学.
• 皮肤病学 皮肤病学
• 机器学习 机器学习
• 生物信息学是一种生物信息学.

背景情况:

• 皮肤黑色素瘤是最致命的皮肤癌,由于复杂的因素和缺乏可靠的标志物,在预测转移方面存在挑战.
• 早期检测和治疗对于改善黑色素瘤患者的生存率至关重要.
• 这项研究利用机器学习 (ML) 来识别皮肤黑色素瘤的额外风险因素.

研究的目的:

• 利用机器学习来界定与皮肤黑色素瘤相关的额外风险因素.
• 为了确定不同疾病进展和转移概率的患者子组.
• 发现皮肤黑色素瘤患者在医疗保健利用方面的潜在差距.

主要方法:

• 使用2056名皮肤黑色素瘤患者的数据开发了贝叶斯高斯混合ML模型.
• 患者被分为六个集群,使用Silhouette评分分析.
• 使用t-分布式随机邻居嵌入 (t-SNE) 来进行集群可视化.

主要成果:

• 与其他集群相比,集群4表现出明显更高的转移性疾病率和更大的布雷斯洛诊断深度.
• 集群4中的患者表现出较低的医疗保健利用率,较少的皮肤科医生访问,较少的初级保健提供者,以及较少的查 (结肠镜检查,乳房镜检查).
• 第4组的患者更有可能吸烟,并且不太可能有基底细胞癌史.

结论:

• 无监督的ML可以识别具有不同的医疗保健利用模式和皮肤黑色素瘤疾病进展风险的患者群体.
• 研究结果强调了常规皮肤病学和初级保健医生 (PCP) 访问对于早期黑色素瘤检测和管理的重要性.
• 对特定的高风险患者群体进行皮肤病学和初级保健的有针对性的改进可能会改善皮肤黑色素瘤的结果.