使用机器学习进行局部区域治疗后,预测乳腺癌患者远程转移的模式

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习在医学中的应用

背景情况:

• 远程转移 (DM) 在多达30%的乳腺癌 (BC) 患者中发生,目前尚无治疗方法.
• 预测DM的部位对于制定有针对性的监测和治疗策略至关重要.

研究的目的:

• 开发统计和机器学习 (ML) 模型,以估计本地-区域治疗后特定部位的DM风险.
• 在侵袭性乳腺癌患者中确定与第一个DM部位相关的临床病理和治疗因素.

主要方法:

• 对175名患有DM的侵袭性乳腺癌患者进行了回顾性分析.
• 利用多变量统计分析和基于ML的梯度增强机器.
• 结果变量包括第一个转移部位 (大脑,骨,内脏) 和DM的时间.

主要成果:

• ML模型显示了DM部位的预测准确性 (AUC 0.74-0.75).
• 雌激素受体 (ER) 阳性状态与骨DM风险增加有关.
• 负ER预测大脑转移;HER2阳性和非环素化疗降低了骨DM风险.
• 单独的非环素化疗预测了内脏转移.

结论:

• 使用ML模型,临床病理学和治疗变量有效预测乳腺癌转移的第一个部位.
• 这些预测模型显示了指导远程转移患者特定监测实践的潜力.
• 需要进一步验证,以完善这些预测工具的临床应用.