典型肺癌切除后长期预后的预测建模:机器学习视角
Min Liang1,2, Jian Huang3, Caiyan Liu1
1Department of Respiratory and Critical Care Medicine, Maoming People's Hospital, Maoming, China.
Cancer investigation
|July 15, 2024
概括
这项研究确定了影响典型肺癌 (TPC) 患者手术后生存的关键因素. 一个机器学习模型预测了结果,帮助个性化治疗TPC.
科学领域:
- 肺部瘤学 肺部瘤学
- 医疗信息学医学信息学
- 生物统计学 生物统计学
背景情况:
- 典型的肺癌 (TPC) 是一种缓慢生长的神经内分泌瘤.
- 对于TPC手术切除后的长期结果仍然不完全理解.
- 需要准确的预后模型来指导个性化治疗决策.
研究的目的:
- 确定影响TPC患者整体存活期 (OS) 的临床因素.切除后.
- 开发和验证TPC患者结果的预测模型.
- 创建一个用户友好的工具,用于临床决策支持.
主要方法:
- 使用了监测,流行病学和最终结果 (SEER) 数据库 (2000-2018).
- 采用拉索-考克斯分析来选择特征,以及随机森林,XGBoost和考克斯回归来开发模型.
- 使用AUC,校准图,Brier分数和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 在2687名TPC患者中确定了影响OS的五个重要的临床特征.
- 随机森林模型显示出优异的预测性能 (5年AUC:0.744培训,0.715验证).
- 开发了一个基于Web的平台,用于可访问的模型利用.
结论:
- 机器学习模型可以在瘤切除后有效预测TPC患者的OS.
- 开发的随机森林模型和网络平台为个性化治疗规划提供了宝贵的支持.
- 进一步的研究可以完善这些工具的预后准确性和临床整合.


