通过机器学习利用SEER数据来预测远程淋巴结转移,并预测肝细胞癌患者的预后结果

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 肝细胞癌 (HCC) 在预测远程淋巴结转移 (DLNM) 方面存在重大挑战.
• 准确的风险分层对于有效管理和改善HCC患者的治疗结果至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的诊断和预后模型,用于预测HCC患者的DLNM风险.
• 确定DLNM的关键预测因子和DLNM的HCC患者的预后指标.

主要方法:

• 从SEER数据库 (2016-2020年) 中对15775名HCC患者的回顾性分析.
• 诊断模型的递归特征消除 (RFE) 和堆叠组合 (预测因素:年龄,瘤大小,放射治疗,T阶段,AFP).
• 渐进逆向回归和可克斯比例危险模型用于预后诺莫图 (预测因素:化疗,放射治疗,瘤大小,年龄).

主要成果:

• 诊断模型的AUC达到0.767 (训练) 和0.768 (验证).
• 预后诺米图表表现出强大而一致的预测能力.
• 确定了影响DLNM和预后的关键因素,并讨论了临床相关性.

结论:

• 该研究成功开发了ML模型来预测DLNM和HCC的预后.
• 已识别的预测因素和预后指标为临床医生在风险分层和管理方面提供了宝贵的工具.
• 这些发现可能会提高DLNM的HCC的治疗策略和患者结果.