使用机器学习算法来预测在完全中切割后右侧结肠癌骨转移的风险因素:一项为期10年的回顾性多中心研究

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 手术瘤学手术瘤学

背景情况:

• 骨转移 (BM) 在结肠癌患者的预后明显恶化.
• 右侧结肠癌与完整的半结肠切除术 (CME) 提出了独特的挑战.
• 识别BM高风险患者对于及时干预至关重要.

研究的目的:

• 开发一种机器学习模型,用于预测CME的右侧结肠癌患者的BM风险.
• 确定与BM发展相关的关键临床和外科变量.

主要方法:

• 利用了1,151名右侧结肠癌患者的队列,其中73人患有BM.
• 应用了四种机器学习算法:XGBoost,随机森林,SVM和KNN.
• 使用ROC曲线,校准曲线,DCA和SHAP分析验证模型性能.

主要成果:

• 在训练和验证集中,XGBoost表现出高AUC,精度,灵敏度和特异性的卓越性能.
• 外部验证显示出强大的外推能力 (AUC=0.83).
• 确定了重要的危险因素:性酸酶 (ALP),瘤大小,入侵深度,淋巴结转移,肺转移,以及术后的中性粒细胞与淋巴细胞比率 (NLR).

结论:

• 在右侧结肠癌中,基于XGBoost的BM预测模型非常准确,具有临床价值.
• 该模型可以帮助识别有风险的患者,以加强监测和治疗策略.
• 已识别的风险因素为BM病原和潜在的治疗点提供了洞察力.