基于常规采样血液测试的机器学习模型可以预测疑似肌肉骨恶性瘤患者中恶性瘤的存在

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 整形外科 整形外科 整形外科

背景情况:

• 肌肉骨瘤需要准确和及时的诊断.
• 早期发现恶性瘤对于有效治疗和患者的治疗结果至关重要.
• 当前的诊断途径可能是漫长且资源密集的.

研究的目的:

• 调查例行血液检查在诊断肌肉骨恶性瘤中的有用性.
• 开发用于识别患有骨和软组织癌症的患者的预测模型.
• 评估血液标志物在疑似肌肉骨瘤的分类中的作用.

主要方法:

• 从区域肌肉骨瘤单位 (2010-2020年) 评估的患者的血液检测结果的回顾性分析.
• 利用33种不同的血液测试,将结果与z分数标准化.
• 采用随机森林算法进行模型开发,数据分为培训 (70%) 和测试 (30%) 集.

主要成果:

• 模型准确地预测了转移 (79%准确率,87%AUC) 和血液恶性瘤 (79%准确率,81%AUC).
• 对瘤的预测准确率为64% (73%AUC),所有恶性瘤的预测准确率为74% (80%AUC).
• 观察到高负预测值 (NPV),特别是血液恶性瘤 (97%).

结论:

• 常规执行的血液测试证明了在怀疑肌肉骨瘤的患者的分拣中具有价值.
• 血液测试数据可以有效预测肌肉骨恶性瘤的存在.
• 这种方法为改善瘤学和骨科诊断效率提供了一个潜在的工具.