机器学习对卵巢癌中金化疗反应的预测价值:系统审查和元分析

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:

• 卵巢癌的治疗通常涉及基于的化疗.
• 预测患者对这种治疗的反应对于个性化治疗策略至关重要.
• 机器学习 (ML) 提供了预测治疗结果的潜力,但其有效性需要系统评估.

研究的目的:

• 系统地审查关于ML对卵巢癌患者基于的化疗反应的预测价值的文献.
• 评估不同的ML模型在预测治疗结果方面的表现.

主要方法:

• 在PubMed,Embase,Web of Science和Cochrane数据库的系统文献搜索 (2023年4月26日之前).
• 包括的研究评估了ML模型,用于预测卵巢癌中基于的治疗反应.
• 使用预测模型偏差风险评估工具评估偏差风险.
• 模型性能使用一致性指数 (C指数),灵敏度和特异性进行评估.

主要成果:

• 从1749篇最初的文章中,包括了39个模型的19项研究.
• 逻辑回归 (41%),极端梯度提升 (10%) 和支持向量机 (SVM) (10%) 是常见的方法.
• 聚合的C指数为0.806 (培训) 和0.831 (验证).
• SVM表现出高性能 (C指数为0.942培训,0.879验证);聚合灵敏度为0.890,特异性为0.790 (培训).

结论:

• 机器学习模型可以有效地预测患者对卵巢癌基化疗的反应.
• 这些发现支持在开发和完善卵巢癌治疗临床评分系统时使用ML.
• 基于ML的预测为未来的临床决策和治疗优化提供了宝贵的参考.