使用机器学习来利用生物标志物变化和预测结肠直肠癌复发情况
Patricia J Rodriguez1, Patrick J Heagerty2, Samantha Clark1
1The Comparative Health Outcomes, Policy & Economics (CHOICE) Institute, University of Washington, Seattle, WA.
JCO clinical cancer informatics
|November 14, 2023
概括
使用癌胚抗原 (CEA) 水平的机器学习模型有效预测结直肠癌 (CRC) 复发. 在六个月内跟踪CEA的变化提供了一个简单而强大的工具,用于个性化评估CRC患者的风险.
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:
- 结肠直肠癌 (CRC) 复发风险在患者之间和随着时间的推移而有显著差异.
- 个性化风险预测可以改善患者管理和决策.
- 利用纵向患者数据,包括生物标志物概况,是完善风险评估的关键.
研究的目的:
- 开发和评估结直肠癌复发的预测模型.
- 调查纵向癌胚抗原 (CEA) 生物标志物数据在风险预测中的有用性.
- 为了比较各种机器学习算法的性能来预测CRC复发.
主要方法:
- 利用了3,970名被诊断为I-III阶段CRC的患者的电子健康记录数据.
- 来自纵向CEA测量的工程特征,以捕捉时间趋势.
- 采用离散时间超级学习者模型来评估复发预测的多个算法.
主要成果:
- 深度=1的XGBoost (XGB-D1) 模型在预测复发方面表现优异 (AUC为0.87-0.94).
- 记录CEA的6个月变化是最佳XGB-D1模型识别的唯一预测变量.
- 基于CEA变化的风险分层显示出明显的复发概率,突出显示了该模型的预测能力.
结论:
- 结合纵向CEA数据的机器学习模型提供了一种简单而高效的方法来预测CRC复发.
- 登录CEA的6个月变化是准确的复发预测的关键和足够的特征.
- 这种方法增强了对结直肠癌患者的个性化风险评估和决策.
