传统和基于机器学习的风险评分,用于早期肝细胞癌患者

科学领域:

• 肝病学 肝病学是一种肝病学.
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 机器学习 (ML) 对肝细胞癌 (HCC) 患者结局的预测性能尚未得到充分证实.
• 准确的预后分层对于早期HCC管理至关重要.

研究的目的:

• 使用常规和ML方法开发和比较风险得分,用于对早期HCC患者进行分类.
• 评估这些得分能够预测整体存活率 (OS) 的能力,并将患者分为预后组.

主要方法:

• 追溯招募1,411名以前没有接受过治疗的早期HCC患者 (BCLC阶段0-A).
• 随机划分为培训 (n=988) 和验证 (n=423) 队列.
• 开发CATS-IF (传统的考克斯模型) 和CATS-INF (基于ML的LASSO考克斯回归) 风险评分,用于OS预测.

主要成果:

• CATS-IF包括年龄,治愈治疗,HCC特征,肌素,AFP,FIB-4,LMR和AGB.
• 在CATS-INF中包含了CATS-IF因素加上AST和PNI.
• 这两项得分都超过了验证队列中现有的预后得分;CATS-INF显示了最低的AIC,表明了优异的预测准确性.

结论:

• 基于Cox的CATS-IF和基于ML的CATS-INF得分都有效地分层了早期HCC患者.
• 基于ML的CATS-INF得分在预测整体存活率方面表现略高.