一个胰腺癌风险预测模型 (Prism) 在美国大规模临床数据上开发和验证

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 胰腺管腺癌 (PDAC) 查对于早期检测和改善生存至关重要.
• 目前的查指南有限,只能确定大约10%的PDAC病例.
• 电子健康记录 (EHR) 数据为更广泛的PDAC风险评估提供了潜在的资源.

研究的目的:

• 使用EHR数据开发和验证胰腺管腺癌风险模型 (Prism).
• 扩大PDAC早期检测范围,超越目前的查资格标准.
• 为美国人口创建一个可概括的模型.

主要方法:

• 开发了神经网络 (PrismNN) 和后勤回归 (PrismLR) 模型,使用来自55个美国医疗保健机构的EHR数据.
• 在40岁以上的患者诊断前6-18个月的PDAC预测风险.
• 在地理位置,种族和时间之间内部和外部验证模型,通过AUC和校准图表评估性能.

主要成果:

• PrismNN达到0.826的测试AUC,超过了PrismLR (0.800).
• 内部-外部验证表明,在不同的人口统计和时间范围内表现强.
• 模拟部署显示PrismNN可以在相似的风险值下识别比当前指南多3.5倍的病例.

结论:

• 镜模型在不同患者群体中表现出强大的准确性和通用性.
• 与现有方法相比,PrismNN在PDAC早期检测方面取得了显著的改进.
• 与联合的EHR网络的整合有助于临床部署和未来的研究.