为各种喉癌亚型创建基于机器学习的预后预测模型
Wei Wang1,2, Wenhui Wang2, Dongdong Zhang2
1Department of Otolaryngology-Head and Neck Surgery, Zhongshan Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, China.
Scientific reports
|March 19, 2024
概括
这项研究开发了准确的随机生存森林 (RSF) 模型,用于预测喉癌和非喉癌患者的预后,改善风险因素识别和患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 根据胚芽细胞的起源,喉癌亚型表现出不同的转移风险和预后.
- 准确预测喉癌的预后仍然是一个关键的临床挑战.
研究的目的:
- 开发和评估可靠的生存模型,用于预测喉癌和非喉癌的预后.
- 用先进的统计方法确定影响患者生存的关键临床病理因素.
主要方法:
- 对生存模型的比较分析,包括Cox比例危险 (CoxPH) 和随机生存森林 (RSF).
- 在生存模型中应用最小绝对收缩和选择操作员 (LASSO) 回归来进行特征选择.
- 使用一致性指数 (C指数) 和综合布莱尔分数 (IBS) 评估模型性能.
主要成果:
- 随机生存森林 (RSF) 证明了对喉癌 (C指数=0.687) 和非喉癌 (C指数=0.657) 的预测准确度优越.
- RSF模型在1,3年和5年的时间点显示了低集成的Brier分数的有效性能.
- 使用沙普利增量解释 (SHAP) 图表可视化显著的预后变量.
结论:
- 对于喉癌和非喉癌的单独RSF模型提供了有效的生存预测.
- 开发的模型显著影响患者的预后和风险因素评估.
- 这种方法为喉癌的个性化治疗策略提供了有价值的工具.
