基于机器学习的预后模型,用于预测肝细胞癌患者的复发,肝细胞癌患者的系统性免疫炎症指数高,基于多中心研究中的机器学习

科学领域:

• 肝细胞癌 (HCC) 研究研究
• 机器学习在瘤学中
• 在癌症中的预测建模.

背景情况:

• 切除后肝细胞癌 (HCC) 复发是一个临床挑战.
• 高的手术前系统性免疫炎症指数 (SII) 与HCC患者的表现较差有关.
• 需要预测工具来识别高风险的HCC患者在废除后复发.

研究的目的:

• 通过机器学习分析影响高SII的HCC患者在废除后无复发生存 (RFS) 的关键因素.
• 构建和验证用于预测该患者队列中的RFS的诺莫格拉姆模型.
• 评估开发的诺莫图的预测性能和临床实用性.

主要方法:

• 利用了505名接受废除的HCC患者的临床数据,与65名患者的外部验证队列.
• 采用机器学习算法,包括XGBoost,随机生存森林和多变量Cox回归.
• 使用对应指数,ROC曲线,校准曲线和决策曲线分析验证了名ogram.

主要成果:

• 确定了年龄,BCLC阶段,瘤数量和GGT水平作为RFS的独立风险因素.
• 成功构建了一个名图,证明了良好的区分,准确性和临床实用性.
• 基于存活率分析,名录显著区分了低风险和高风险患者组.

结论:

• 开发了一种可靠的诺姆图谱,用于预测高SII分离后高SII分离后HCC患者的1年,3年和5年的RFS.
• 诺米图为风险分层和个性化治疗策略提供了宝贵的见解.
• 这种工具有助于管理高血糖瘤复发风险在患有高SII水平的患者.