优化质母细胞瘤患者的辅助治疗选择

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 在质母细胞瘤 (GBM) 治疗中,最大限度地降低不必要的化疗的成本和毒性影响至关重要.
• 根据患者的特征,优化放射治疗 (RT) 和化疗放射治疗 (CRT) 之间的辅助疗法选择至关重要.
• 深度学习方法提供创新的方法来个性化GBM治疗策略.

研究的目的:

• 开发和评估机器学习 (ML) 模型,以优化质母细胞瘤 (GBM) 患者的辅助治疗.
• 用ML驱动的治疗建议来比较放射治疗 (RT) 与化学放射治疗 (CRT) 的疗效.
• 确定从特定辅助疗法中受益最多的患者子组,旨在减少不必要的治疗.

主要方法:

• 训练了六个机器学习 (ML) 模型,为GBM患者推RT或CRT.
• 使用了包括危险比率 (HR),IPTW调整的HR,dRMST和NNT在内的指标来评估ML模型的有效性.
• 均衡的个人治疗效应生存数据 (BITES) 模型被确定为最有效的.

主要成果:

• 在GBM治疗中,BITES模型显示出显著的保护性益处 (HR:0.53,dRMST:7.92).
• 根据BITES建议治疗的患者与其他患者相比,生存率有所改善.
• 在CRT推组 (p < 0.001) 中,CRT提供了与RT相比的生存优势,但在RT推组 (p = 0.06) 中没有.
• 在男性,老年患者和局部瘤侵袭患者中,RT更频繁地被推.

结论:

• BITES模型有效地识别了可能受益于化疗放射治疗 (CRT) 的质母细胞瘤患者.
• 像BITES这样的ML模型显示了个性化GBM治疗建议的潜力.
• 这些发现可能会导致更精确,更有效的辅助治疗策略,减少与治疗相关的毒性和成本.