基于监测,流行病学和最终结果数据库的肝细胞癌的机器学习诊所评分系统

科学领域:

• 肝病学和瘤学研究.
• 在临床实践中开发预测模型.

背景情况:

• 肝细胞癌 (HCC) 是一个主要的全球健康问题.
• 对于预测HCC患者预后的强大工具的有限可用性.
• 需要改善总生存率 (OS) 和癌症特异性生存率 (CSS) 的临床评分系统.

研究的目的:

• 建立一种新的临床评分系统,用于评估HCC患者的OS和CSS.
• 开发一个使用机器学习用于HCC预后的预测模型.
• 为了比较新系统与美国癌症联合委员会 (AJCC) 阶段测试的有效性.

主要方法:

• 利用了来自SEER计划的45,827名原发性HCC患者的数据.
• 随机将患者分为培训 (22,914) 和验证 (22,913) 队列.
• 采用考克斯回归,卡普兰-梅尔分析和机器学习来开发和验证模型.
• 使用C指数,ROC曲线,校准图和临床决策曲线分析 (DCA) 评估模型性能.

主要成果:

• 确定了CSS和OS的11个独立预后指标.
• 开发了两个模型,证明了显著的预后相关性.
• 开发的模型在预测准确度 (C指数) 中超过了AJCC的分阶段.
• 在依赖时间的ROC分析中,曲线下的实现面积 (AUC) > 0.74.
• 与通过DCA进行AJCC分期相比,已证明具有更高的临床效用和净益.

结论:

• 一个基于机器学习的临床评分系统显示了强大的HCC预测和风险分层性能.
• 该系统很容易被纳入临床实践.
• 提高了治疗肝细胞癌患者的准确性和效率.