先进的胃肠道 stromal 瘤:通过机器学习可靠地分类 imatinib 血最低度

科学领域:

• 在瘤学瘤学.
• 药理学 药理学是指药理学的学科.
• 生物统计学 生物统计学

背景情况:

• 晚期的胃肠道 stromal 瘤 (GISTs) 通常需要伊马替尼 (IM) 治疗.
• 在1100 ng/ml以下的低于最佳意马替尼的血最低度 (IM Cmin) 与治疗效率的降低有关.
• 建议监测IM Cmin以优化GIST患者的治疗结果.

研究的目的:

• 开发一个IM Cmin的预测分类模型,用于中国患者的先进GISTs.
• 确定与IM Cmin.相关的关键临床和实验室变量.
• 为IM Cmin预测选择最准确的机器学习模型.

主要方法:

• 来自高级GIST患者的数据分为培训 (60%),验证 (20%) 和测试 (20%) 组.
• 最小绝对缩小和选择运算符 (LASSO) 回归和阶段二进制物流回归确定了关键变量.
• 使用布里尔分数,AUROC,决策曲线和AUPR的九个机器学习模型进行了比较.
• 最佳模型使用十倍交叉验证和单独的测试集进行了验证.

主要成果:

• 六个变量 (性别,每日IM剂量,转移部位,红细胞计数,血小板计数,中性粒细胞百分比) 被选择为模型.
• 极端梯度增强 (XGBoost) 模型在验证集中表现出卓越的性能 (最高的AUROC,最低的Brier分数,最高的AUPR).
• 内部验证证实了XGBoost模型在测试组中的有效性,达到0.725.7的AUROC.

结论:

• 初步的临床和实验室数据可以有效地预测如果IM Cmin低于1100 ng/ml在先进的GIST患者.
• 开发的XGBoost模型提供了一个潜在的工具,以帮助临床医生指导伊马替尼布的使用.
• 基于预测模型的个性化监测和剂量调整可能会改善GIST治疗结果.