预测肺癌的预后使用机器学习与机构间概括性:一个多中心队列研究 (WJOG15121L:REAL-WIND)

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 准确的预后预测对于第四阶段肺癌患者的最佳护理至关重要.
• 目前的机器学习 (ML) 模型缺乏确定的准确性和机构间的概括性来预测这一群体的整体存活率.
• 需要强大的ML算法,可以在不同的医疗保健环境中可靠地预测预后.

研究的目的:

• 开发和验证基于机器学习的算法,用于预测第四阶段肺癌患者的预后.
• 评估这些开发的算法的机构间通用性.
• 提高预后预测的准确性,并支持临床决策.

主要方法:

• 这是一项多中心,回顾性,基于医院的队列研究,涉及6,751名患有第四阶段肺癌的患者.
• 患者被随机分配到训练 (2:1比) 和独立测试队列中.
• 在独立测试队列和多个机构中,使用接收器运行特征曲线 (AUC) 下的面积来评估算法性能.

主要成果:

• 开发的ML算法在测试队列中表现出强大的预测性能,AUC在各种时间点 (180-1080天) 中从0.83到0.90不等.
• 机构间的概括性很高,在16个测试算法中,AUC的中位数从0.84到0.87不等.
• 该研究包括一个多样化的队列,有22%的患者表现出突变的表皮生长因子受体.

结论:

• 机器学习算法已经成功开发出来,可以准确预测第四阶段肺癌患者的预后.
• 这些算法具有显著的机构间通用性,使它们在不同的临床环境中具有潜在价值.
• 这些发现支持使用这些ML工具来提高预后预测的准确性,并促进在瘤学中的知情共享决策.