使用瘤标记物组合诊断恶性膜溢出:基于堆叠模型的成本效益分析

科学领域:

• 在瘤学瘤学.
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 恶性多叶流血 (MPE) 诊断可能具有挑战性.
• 肺溢液 (PE) 和外周血液 (PB) 中的瘤标志物是潜在的诊断工具.
• 评估诊断准确性和成本效益对于临床应用至关重要.

研究的目的:

• 用各种瘤标志物组合来评估MPE机器学习模型的诊断准确性.
• 评估这些诊断方法的财务负担和成本效益.
• 为了确定MPE诊断的最佳瘤标志物策略,考虑准确性和成本.

主要方法:

• 从319名患者的PE和PB中收集了四种瘤标志物的数据 (CEA,CA19-9,CA125,CA15-3).
• 利用堆叠组合机器学习模型来评估诊断性能.
• 使用曲线下的面积 (AUC),灵敏度和特异性评估准确性.
• 提出了一个综合得分 (C-score) 来评估成本效益.

主要成果:

• 堆叠模型在AUC方面总体上表现优于单个模型.
• 在PE (PE.CEA) 中的致癌胚胎抗原 (CEA) 显示出高个体精度 (AUC=0.902).
• PE.CA19-9 + PE.CA15-3 + PE.CEA + PB.CEA (C9组合) 的组合获得了最高的AUC (0.946).
• 成本效益有所不同:在优先考虑成本时,PE.CEA是最佳的,而在优先考虑准确性时,C9组合是最佳的.

结论:

• 使用PE.CEA的堆叠模型为MPE诊断提供了一个准确且负担得起的选择,特别是对于经济不利的患者.
• C9组合为MPE提供了最高的诊断准确度.
• PE.CA19-9 + PE.CA15-3 + PE.CEA的组合提供了最好的成本效益,平衡准确性和可负担性.