开发和验证一种无图像机器学习算法,用于前列腺癌的初始查

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 前列腺特异性抗原 (PSA) 检测是一种广泛使用的,低成本的前列腺癌 (PCa) 查方法.
• 目前PSA测试的准确性有限,需要改进,以便有效的早期检测.
• 个性化医疗方法可以提高现有的查工具的实用性.

研究的目的:

• 开发和验证前列腺癌查的新型模型.
• 通过整合人口统计,病史,生活方式和数字直肠检查 (DRE) 数据来提高前列腺特异性抗原 (PSA) 测试的准确性.
• 创建一个更个性化,更有效的前列腺癌初始查策略.

主要方法:

• 在前列腺,肺部,结肠直肠和卵巢 (PLCO) 癌症查试验中的34,224名患者的数据上使用了梯度增强模型.
• 开发了两个模型:模型1包括PSA和个人变量;模型2包含PSA,个人变量和数字直肠检查 (DRE) 结果.
• 使用接收器操作特征 (ROC) 分析,将模型性能与前列腺癌检测的传统查方法进行比较.

主要成果:

• 采用DRE的Model 2实现了整体0.894的曲线下的面积 (AUC),明显超过单独的PSA (可疑DRE的AUC为0.808).
• 模型2显示,高风险前列腺癌预测比PSA与异常DRE结合的预测增加了58%.
• 模型2的积极预测值为74.7%,远高于PSA与异常DRE的50.6%.

结论:

• 使用梯度增强模型对PSA值和DRE结果的个性化解释显示了初始前列腺癌查的重大前景.
• 开发的模型提供了一种潜在的新,低成本的方法,用于提高早期前列腺癌检测.
• 这项研究强调了将数字直肠检查 (DRE) 结果纳入先进的查模型以改善前列腺癌风险评估的重要性.