机器学习模型用于在患有肺癌的慢性阻塞性肺病患者中检测循环瘤DNA

科学领域:

• 在瘤学瘤学.
• 肺部病理学 肺部病理学
• 遗传学 遗传学 是一个

背景情况:

• 患有慢性阻塞性肺病 (COPD) 的患者面临患肺癌的风险增加.
• 最少侵入性诊断方法是至关重要的,因为COPD患者的侵入性手术的并发症率很高.
• 了解循环瘤DNA (ctDNA) 检测的预测因子对于在这个群体中进行非侵入性癌症诊断至关重要.

研究的目的:

• 确定与COPD和肺癌患者中ctDNA突变检测相关的临床因素.
• 评估机器学习模型在基于临床变量预测ctDNA检测方面的性能.

主要方法:

• 177名COPD和肺癌患者通过有针对性的深度测序进行了血ctDNA基因定型.
• 收集了全面的临床数据,包括胸部CT衍生的肺缩指数 (EI).
• 机器学习模型被开发用于预测ctDNA突变的存在.

主要成果:

• 在30.5%的患者中检测到ctDNA突变.
• 先进的瘤阶段,升高的C-反应蛋白 (CRP) 水平和较轻的肺气 (较低的EI) 独立地与ctDNA检测有关.
• 机器学习模型在预测ctDNA突变方面取得了高性能 (AUC = 0.774).

结论:

• ctDNA突变在患有晚期肺癌,高CRP或轻度肺瘤的COPD患者中更有可能发生.
• 临床因素有效预测ctDNA检测,通过机器学习验证.
• 需要进一步的研究来证实这些发现的临床实用性.