在神经瘤学中提升精确预后:机器学习模型用于在IDH野生型质母细胞瘤中基于数据的个性化生存预测
Mert Karabacak1, Pemla Jagtiani2, Long Di3
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, USA.
Neuro-oncology advances
|July 10, 2024
概括
机器学习模型现在可以为质母细胞瘤 (GBM) 患者提供个性化的生存预测,改善人口统计数据之外的预后. 这一进步有助于为个人GBM病例量身定制治疗策略.
科学领域:
- 在瘤学瘤学.
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 结质母细胞瘤 (GBM) 尽管目前的治疗方法,预后不好.
- 对GBM患者的个性化生存预测很困难.
- 需要更好的预测工具.
研究的目的:
- 开发机器学习 (ML) 模型,用于对GBM患者个性化的生存预测.
- 为了提高GBM预后的准确性.
- 创建一个工具来个性化GBM患者的结果预测.
主要方法:
- 从国家癌症数据库 (NCDB) 分析了IDH野生型GBM的成年患者.
- 包括TabPFN,TabNet,XGBoost,LightGBM和Random Forest在内的机器学习算法被用来预测6,12,18和24个月的死亡率.
- 为了模型的可解释性,使用了SHapley添加式解释 (SHAP),并使用接收器操作特征 (AUROC) 值下的面积来评估模型.
主要成果:
- 该研究包括来自NCDB的7537名患者.
- TabPFN算法为所有死亡率预测结果产生了表现最佳的模型.
- TabPFN模型的平均AUROC在0.836 (6个月) 到0.724 (24个月) 之间.
结论:
- 机器学习模型已被开发用于个性化GBM预测.
- 这些模型可以增强个性化的患者结果预测.
- 未来的研究应该专注于外部验证和动态数据更新.
