利用机器学习,为低度质瘤患者量身定制放射治疗和化学放射治疗

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:

• 对于低度质瘤 (LGGs) 的最佳辅助治疗方法存在不确定性.
• 机器学习 (ML) 模型为预测个人治疗效应 (ITE) 和个性化治疗提供了潜力.
• 根据个体患者需求量身定制治疗对于改善LGG的结果至关重要.

研究的目的:

• 评估ML模型的有效性,以确定放射治疗 (RT) 或化学放射治疗 (CRT) 对LGG患者的个体适用性.
• 为了确定哪个ML模型最好地预测LGG患者的个体治疗反应.
• 根据ML驱动的建议指导LGG患者的个性化治疗决策.

主要方法:

• 评估了在4042名LGG患者队列中被训练以推断ITE的10个ML模型.
• 对那些遵守ML推治疗的患者的结果进行比较,与那些不遵守ML推治疗的患者的结果进行比较.
• 利用逆概率治疗权重 (IPTW) 来最大限度地减少治疗选择偏差.

主要成果:

• 均衡生存拉索网络 (BSL) 模型证明了最显著的保护作用 (IPTW调整HR:0.58).
• 化学放射治疗 (CRT) 在模型推时显示出保护作用,但在推RT时显示出不良影响.
• ML模型确定了年轻的患者和具有特定瘤特征的患者 (病变穿过中线,重叠病变) 是CRT的更好的候选人.

结论:

• 在指导LGG患者的辅助治疗选择方面,BSL模型显示出前景,可能提高生存率.
• ML在定制患者护理和推进瘤学个性化医学方面发挥着至关重要的作用.
• 这项研究强调了ML在了解治疗细微差别和改善LGG患者治疗结果方面的重要性.