机器学习分析用于检测细胞癌手术后的晚期复发和随访损失

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 细胞癌 (RCC) 经常出现晚期复发,通常发生在手术后五年以上.
• 确定术后监视成像的最佳持续时间仍然是一个未解决的临床问题.
• 患者主动停止后续护理,这在长期管理方面是一个挑战.

研究的目的:

• 开发和验证机器学习模型,用于预测非转移性RCC患者的晚期复发和随访丧失 (LF).
• 为了确定与晚期复发和LF相关的关键风险因素,超过五年后切除术.
• 评估预测模型的准确性,使用接收器运行特征曲线 (t-AUC) 下的时间依赖面积.

主要方法:

• 利用随机生存森林 (RSF),一种机器学习的生存分析技术.
• 分析了1051名非转移性RCC患者的数据,这些患者在1988年至2021年期间接受了彻底或部分切除术.
• 雇员调查 (Employed SurvSHAP) 和部分依赖图表用于解释模型预测和分析风险因素.

主要成果:

• RSF模型显示了复发的不同预测准确性,t-AUC值在不同时间点从0.566到0.806不等.
• 复发风险显示了依赖时间的增加,在手术后的50个月左右达到顶峰,在此之后没有明显的晚期复发因素.
• 对LF的预测准确度中等 (t-AUC 0.542-0.699),晚年 (70岁以上) 被确定为LF的重要风险因素.

结论:

• 在RCC中预测晚期复发仍然很困难,这凸显了持续警的必要性.
• 70岁及以上的患者在长期随访期间需要特别注意.
• 加强中央医院与当地医疗保健提供者之间的合作对于社区患者护理和监测至关重要.