基于HCC患者临床可用指标的最佳机器学习模型的预后作用

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:

• 尽管在诊断和治疗方面取得了进展,肝细胞癌 (HCC) 的生存率仍然很差.
• 与传统的Cox模型相比,机器学习模型提供了更好的预后预测.

研究的目的:

• 设计一个最佳的面板,并构建一个机器学习模型来预测HCC的预后.
• 评估模型在预测整体生存 (OS) 和无进展生存 (PFS) 的表现.

主要方法:

• 利用了两个医疗中心941名HCC患者的手术前临床化学和免疫学指标.
• 使用单变量和多变量考克斯回归分析开发了一个最佳面板 (OCC面板).
• 建立并评估了Cox和机器学习模型,包括基于随机生存森林 (RSF) 的模型,用于预后预测.

主要成果:

• 最优的OCC模型实现了高C指数 (发现为0.871,内部验证为0.692,外部验证为0.648) 和2年AUC (分别为0.939,0.738,0.725).
• 该模型在子组中表现出强的表现,包括患有HBV的患者,65岁以下,肝硬化或作为第一疗法的切除.
• 基于RSF的OCC模型显示出显著的预后指导价值.

结论:

• 开发的最佳OCC模型,特别是基于RSF的版本,有效地预测HCC患者的预后.
• 该模型支持针对HCC的个性化治疗决策,可能改善患者的治疗结果.
• 这项研究强调了机器学习在提高肝癌预后准确性的实用性.