机器学习模型的开发和验证,用于预测淋巴瘤幸存者的癌症相关疲劳
Yiming Wang1, Lv Tian2, Wenqiu Wang3
1School of Nursing, Jilin University, No.965 Xinjiang Street, Changchun, 130021, China.
International journal of medical informatics
|September 18, 2024
概括
机器学习模型可以预测淋巴瘤幸存者的癌症相关疲劳 (CRF). 后勤回归显示出最佳的外部验证性能,有助于个性化患者护理.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 淋巴瘤发病率的上升需要改善与癌症相关的疲劳 (CRF) 的管理,这对幸存者来说是一个重大的生活质量负担.
- 目前在淋巴瘤幸存者中对CRF的临床诊断和治疗是不够的,这凸显了需要加强策略的需要.
研究的目的:
- 开发和验证机器学习模型,用于预测淋巴瘤幸存者的癌症相关疲劳 (CRF).
- 帮助医疗保健专业人员准确识别CRF患者,以提供个性化治疗和护理.
主要方法:
- 在中国 (2023年6月至2024年3月) 进行了一项涉及淋巴瘤患者的横截面研究.
- 六个机器学习算法 (逻辑回归,随机森林等) 使用AUROC和校准曲线进行评估.
- 通过决策曲线评估临床适用性,并使用Shapley添加解释确定变量显著性.
主要成果:
- 在两个数据集中,CRF发病率分别为40.7%和44.8%.
- 轻GBM在培训/内部验证中表现良好;物流回归显示出优异的外部验证性能 (最高的AUROC,最佳校准).
- 关键的CRF预测因素包括疼痛,总蛋白质,身体功能和睡眠障碍.
结论:
- 在淋巴瘤患者中开发了一种基于机器学习的CRF预测模型.
- 该模型为潜在的自动选工具提供动态的,数据驱动的评估.
- 这种方法支持临床实践中的个性化管理策略.
