在个人层面上量化治疗效果更能说明个性化激进前列腺切除术的建议:深度学习对前列腺癌治疗的影响

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:

• 针对前列腺癌 (PCa) 的激进前列腺切除术 (RP) 存在过度治疗和患者选择不确定性的风险.
• 确定RP的最佳候选人对于改善患者的治疗结果至关重要.

研究的目的:

• 开发一种新的因果推断深度学习 (DL) 模型,用于PCa.个性化治疗建议.
• 辨别哪些患者从RP中受益最多,并确定治疗反应异质性.

主要方法:

• 引入自正常化平衡 (SNB) 个体治疗效应模型,用于生存数据.
• 训练六个模型进行个性化治疗建议,使用逆概率治疗权重 (IPTW) 来减轻选择偏差.

主要成果:

• 对35,236名PCa患者的分析显示,遵守SNB建议显著改善了生存结果.
• 与不一致治疗的患者相比,与SNB一致治疗的患者显示出更好的生存率 (HR:0.76,95% CI:0.64-0.92).
• 该模型证明了可量化的生存益处,PSA增加1 ng/mL与死亡率90%的时间增加1.77个月相关.

结论:

• 可解释和可靠的SNB DL模型有效地识别了受益于RP的PCa患者,超越了现有的模型和临床指南.
• 来自SNB的治疗指南为未来的研究和临床决策提供了有价值的证据.