儿科神经母细胞瘤远程转移的临床预测模型:基于SEER数据库的分析

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 神经母细胞瘤 (NB) 患者的远程转移与更差的预后有关.
• 早期诊断对于预防神经母细胞瘤远程转移至关重要.
• 预测模型可以帮助神经母细胞瘤患者的临床决策.

研究的目的:

• 开发和验证一种机器学习模型,用于预测神经母细胞瘤患者远程转移的风险.
• 确定与神经母细胞瘤远程转移相关的独立风险因素.
• 创建一个实用的工具,以帮助临床诊断和治疗决策.

主要方法:

• 利用了来自SEER数据库 (2010-2018) 的1542名神经母细胞瘤患者的数据.
• 采用了七个机器学习算法,包括后勤回归,来预测远程转移.
• 使用AUC,PR曲线,DCA和校准曲线评估模型性能;SHAP值解释了最佳模型.

主要成果:

• 确定年龄,组织学,瘤大小,等级,主要部位,手术,化疗和放射治疗作为独立的风险因素 (P <0.05).
• 后勤回归 (LR) 成为最佳算法,实现AUC为0.835 (训练) 和0.850 (验证).
• 开发了一个基于后勤回归模型的在线计算器,以估计远程转移风险.

结论:

• 一个经过验证的机器学习模型有效地利用临床和病理学数据预测神经母细胞瘤中远程转移风险.
• 开发的模型和在线计算器可以帮助医生为神经母细胞瘤患者做出明智的临床决策.
• 远程转移的早期预测可能会改善神经母细胞瘤患者的管理和结果.