在RAI治疗后,术后DTC中L-T4剂量的预测模型及其在两个机构的临床验证
Jian-Jing Liu1,2,3, Zi-Yang Wang3, Yuan-Fang Yue3
1Department of Molecular Imaging and Nuclear Medicine, Tianjin Medical University Cancer Institute and Hospital, Tianjin, China.
Frontiers in endocrinology
|September 4, 2024
概括
机器学习准确地预测了对差异化甲状腺癌 (DTC) 患者的levothyroxine (L-T4) 剂量在放射性 (RAI) 治疗后. 这种模式缩短了针对甲状腺刺激激素 (TSH) 水平的时间,改善了患者的治疗结果.
科学领域:
- 内分泌学 在内分泌学.
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 差异化甲状腺癌 (DTC) 管理需要精确的甲状腺素 (L-T4) 剂量后放射性 (RAI) 治疗以达到目标甲状腺刺激激素 (TSH) 水平.
- 精确的L-T4剂量选择对于优化治疗疗效和RAI治疗后患者健康至关重要.
研究的目的:
- 开发和前性验证一种机器学习 (ML) 模型,用于预测RAI治疗后DTC患者的最佳L-T4剂量.
- 评估模型在实现目标TSH水平和减少达到目标水平所需时间方面的准确性.
主要方法:
- 在对266名DTC患者的回顾性分析中,使用随机森林方法确定了影响L-T4剂量的显著临床和生化特征.
- 建立了八种回归模型,支持向量回归 (SVR) 模型显示出最高的预测精度 (53.4%).
- 在两所涉及263名患者的机构进行前性验证,将SVR模型的性能与实证L-T4管理进行了比较.
主要成果:
- 六个特征 (BSA,体重,血红蛋白,身高,BMI,年龄) 被确定为L-T4剂量的显著预测因素.
- 与实证剂量相比,SVR模型显著提高了TSH准率 (比率1: 52.09%与10.53%;比率2: 85.55%与53.38%).
- 该ML模型大大减少了达到目标TSH水平的时间 (62.61±58.78天与115.50±71.40天相比).
结论:
- 开发的SVR模型有效预测DTC患者在RAI治疗后的L-T4剂量.
- 这种预测模型缩短了达到目标TSH水平的时间,提高了患者的生活质量.
- 机器学习为个人化L-T4剂量优化在DTC管理中提供了一个有前途的方法.
