在宫癌前病变自发回归阶段进行个性化精确医疗干预的预测模型

科学领域:

• 在瘤学瘤学.
• 预防医学 预防医学
• 医疗信息学 医疗信息学

背景情况:

• 从人类乳头瘤病毒 (HPV) 感染到宫癌的进展,在低级皮内皮损伤 (LSIL) 阶段为干预提供了一个关键的窗口.
• 有限的研究和明确的指导方针用于管理LSIL,突出需要实时预后预测和个性化治疗以鼓励病变逆转.

研究的目的:

• 在LSIL阶段开发和评估宫病变自发回归的预测模型.
• 确定影响HPV感染清除和LSIL回归的关键临床和病理因素.
• 为预防宫癌提供实时监测工具和个性化管理策略.

主要方法:

• 建立了一个前性队列研究,从2018年以来收集HPV感染患者的临床数据和病理图像.
• 应用了后勤回归和六种机器学习模型,使用曲线下面面积 (AUC) 等指标评估性能.
• 用SHAP分析进行解释性分析,确定影响病变进展的关键因素.

主要成果:

• 随机森林 (RF) 和支持矢量机器 (SVM) 在临床参数和病理图像方面表现出优异的预测性能.
• 综合射频模型结合了病理图像和临床多参数,实现了最高的AUC0.866.6.
• 睡眠质量被确定为影响自发HPV清除和LSIL回归的重要因素.

结论:

• 开发的模型为宫病变的自发回归提供了预后能力,超越了当前的预测模型.
• 它帮助临床医生实时监测病变,并根据个体风险因素创建个性化治疗或后续计划.
• 该模型支持病变自发逆转,有助于宫癌预防和减少努力.