联合学习生存模型和潜在的放射治疗决策支持非小细胞肺癌使用现实世界的数据进行影响评估
M Field1, S Vinod1, G P Delaney1
1South Western Sydney Clinical Campus, School of Clinical Medicine, UNSW, Sydney, New South Wales, Australia; Ingham Institute for Applied Medical Research, Liverpool, New South Wales, Australia; South Western Sydney Cancer Services, NSW Health, Sydney, New South Wales, Australia.
Clinical oncology (Royal College of Radiologists (Great Britain))
|April 17, 2024
概括
使用联合学习的新模型预测了非小细胞肺癌 (NSCLC) 患者的生存率. 这种工具可以帮助个性化放射治疗决策,潜在地提高生存率.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 非小细胞肺癌 (NSCLC) 的治疗决策包括平衡治愈和息放射治疗.
- 准确的生存预测对于优化不可操作的NSCLC治疗策略至关重要.
- 联合学习提供了一种方法,可以使用来自多个机构的数据构建强大的模型,而不会影响隐私.
研究的目的:
- 为不可手术的I-III期NSCLC患者开发一个两年总生存模型.
- 在联合学习网络中利用常规放射瘤学数据.
- 评估决策支持潜力,以指导治疗与息性放射治疗的选择.
主要方法:
- 在七个诊所建立了一个联合的基础设施,用于数据提取,非识别和标准化.
- 在2011-2016年的患者数据上训练了一种后勤回归模型,并在2017-2019年的数据上验证.
- 使用ROC曲线,AUC,C指数,校准指标和Kaplan-Meier生存曲线来评估模型的性能.
主要成果:
- 该研究包括1655名患者数据集,总体模型AUC为0.68.
- 接受息性放射治疗的大量患者预计风险低至中等.
- 基于模型预测的模拟治疗显示,估计两年生存率增加了11%.
结论:
- 联合学习使得使用多机构数据开发和验证肺癌决策支持系统成为可能.
- 开发的模型可以量化其在临床实践中的使用的影响.
- 这种方法支持个性化医疗,通过整合常规患者数据来定制治疗决策.
