基于机器学习的短期DFS相关特征因子查和模型构建,用于激进手术后患有胆囊癌的患者
1Department of Surgery, First Affiliated Hospital of Huzhou University Huzhou 313000, Zhejiang, China.
American journal of cancer research
|October 17, 2024
概括
这项研究确定了术后胆囊癌 (GBC) 复发的关键风险因素. 一个XGBoost机器学习模型准确地预测了短期无疾病生存率 (DFS),帮助个性化GBC治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
背景情况:
- 胆囊癌 (GBC) 的预后不好,主要治疗方法是彻底的手术.
- 高的术后复发率和缺乏个性化风险评估阻碍了GBC治疗的有效性.
研究的目的:
- 确定影响GBC患者短期无病存活 (DFS) 的风险因素.
- 为GBC DFS开发和验证基于机器学习的预测模型.
主要方法:
- 对328名GBC患者的临床数据 (2008-2021年) 的回顾性分析.
- 单变Cox回归确定了预后因素:年龄,T阶段,淋巴结转移,分化和CA199.
- 机器学习模型 (LASSO,XGBoost) 被训练并验证为DFS预测.
主要成果:
- 在Lasso回归模型中,AUC达到0.827 (1年) 和0.801 (3年) DFS.
- XGBoost模型在训练组中表现出优异的性能,AUC为0.922 (1年) 和0.947 (3年).
- 在验证组中,XGBoost模型在验证组中实现了0.764 (1年) 和0.761 (3年) 的AUC,比LASSO显著改善 (P<0.001).
结论:
- XGBoost回归模型准确地预测了GBC患者手术后的短期DFS.
- 该模型为GBC的个性化风险评估和治疗规划提供了有价值的工具.
- 确定预后因素,如年龄,瘤阶段和CA199对于改善GBC结果至关重要.
