用最佳交叉验证技术将患有小细胞肺癌的患者分为响应者和不响应者

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 有效的癌症治疗依赖于及时干预,需要及早识别那些不太可能对当前疗法作出反应的患者.
• 机器学习模型可以预测治疗反应,但标准概率值 (例如,0.5) 可能不适合患者分类.
• 准确的患者分层对于个性化癌症护理和优化治疗疗效至关重要.

研究的目的:

• 开发和验证一种新的数据驱动方法,用于在机器学习模型中选择最佳切断值,以预测癌症治疗反应.
• 与标准值方法相比,提高将患者分类为响应者或不响应者的准确性.
• 通过提供更可靠的工具来加强临床决策,在小细胞肺癌中选择治疗.

主要方法:

• 提出了一种新的数据驱动方法,利用最佳交叉验证来确定机器学习分类模型的优异切断值.
• 将该方法应用于小细胞肺癌患者的三个临床试验数据集.
• 开发了使用两个数据集的评分系统,并在单独的测试数据集上验证了其性能.

主要成果:

• 与标准0.5截止值相比,新方法显著改善了患者细分,预测响应者和非响应者之间的长期生存结果具有统计学意义的差异 (p=0.009,HR=0.668使用Cox模型).
• 标准方法未能显示群体之间的生存率有显著差异 (p=0.194,HR=0.823使用考克斯模型).
• 拟议的方法在区分不同临床结果的患者群体方面表现强.

结论:

• 这种新型预测方法有效地将新患者分为响应者和非响应者,提供比标准方法更准确的分类.
• 这种工具可以帮助临床医生做出明智的决定,即患者是否应该继续当前治疗或转向替代疗法.
• 这些发现支持先进机器学习技术的临床实用性,用于个性化癌症治疗策略.