基于机器学习的决策支持模型,用于选择不可切除的肝细胞癌的动脉内疗法:一项基于实证的全国实践研究
Chao An1,2, Ran Wei3, Wendao Liu4
1Beijing Luhe Hospital Affiliated to Capital Medical University, Beijing, China.
British journal of cancer
|July 6, 2024
概括
机器学习模型可以预测接受动脉内疗法 (IAT) 的不可切除肝细胞癌 (HCC) 患者的结果. 这有助于临床医生选择最佳的IAT策略并改善患者监测.
科学领域:
- 肝胆瘤学 肝胆瘤学
- 干预性放射学是干预性的放射学.
- 机器学习在医学中的应用
背景情况:
- 动脉内治疗 (IATs) 对不可切除的肝细胞癌 (HCC) 是至关重要的.
- 准确的预后风险分层对于指导HCC管理中的临床决策和试验设计至关重要.
研究的目的:
- 开发和验证基于机器学习的决策支持模型 (MLDSM).
- 为患者推最佳的IAT模式,无法切除的HCC.
主要方法:
- 从2014-2022年进行初始IAT的2,959名HCC患者的回顾性分析.
- 五个监督机器学习算法的比较 (XGBoost,CatBoost,GBDT,LGBM,RF).
- 通过使用接收器运行特征曲线 (AUC) 下的面积和DeLong测试进行评估.
主要成果:
- CatBoost和LGBM模型分别对IAT组合和IAT单独组进行了强烈的歧视 (AUC为0.776).
- 决策的关键变量包括BCLC等级,局部治疗和瘤直径.
- 在单独使用IAT (31.9%) 和IAT组合 (50.4%) 组之间,12个月的死亡率有显著差异.
结论:
- 开发的MLDSM准确地对接受IAT的HCC患者的预后风险进行了分层.
- 这个工具可以帮助医生做出明智的IAT决策.
- 该模型为临床实践中的监测策略提供了有价值的指导.
