在现场使用机器学习模型预测手术升级风险的管道癌

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 在位管道癌 (DCIS) 是一种非侵入性乳腺癌.
• 手术升级风险评估对于治疗决策至关重要.
• 操作与监测和内分泌治疗 (COMET) 试验的比较提供了积极监测的资格标准.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测DCIS向侵袭性癌症的升级风险.
• 将ML模型的性能与COMET试验资格标准进行比较.

主要方法:

• 对2007-2016年期间接受DCIS治疗的女性医疗记录的回顾性审查.
• 开发多变量回归和ML模型以识别升级预测因素.
• 在研究队列中,ML模型性能与COMET试验资格标准的比较.

主要成果:

• 在DCIS的整体上升阶段率为17%.
• 关键的升级预测因素包括可触摸的呈现,成像质量和高核等级.
• 应用COMET标准将使42%的妇女有资格接受监视,其升级率为12%.
• ML模型确定了56%至87%的女性有资格接受监测,并具有类似的升级率.

结论:

• 机器学习模型可以扩大DCIS患者积极监测的资格.
• ML模型提供了与当前标准相比较的升级风险评估.
• 这种方法可能会增加受益于DCIS积极监测的妇女数量.