在非小细胞肺癌中淋巴结转移的机器学习预测模型和风险因素
Bo Wu1,2, Yihui Zhu3, Zhuozheng Hu1
1Department of Thoracic Surgery, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, China.
BMC pulmonary medicine
|October 22, 2024
概括
在非小细胞肺癌 (NSCLC) 中精确预测淋巴结转移 (LNM) 是至关重要的. 一个新的通用线性模型 (GLM) 有效预测NSCLC患者的LNM风险,帮助预后和治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 淋巴结转移 (LNM) 显著影响非小细胞肺癌 (NSCLC) 的预后.
- 目前用于预测NSCLC中LNM的方法缺乏非侵入性,具有成本效益和高度准确的选择.
研究的目的:
- 在非小细胞肺癌 (NSCLC) 患者中开发和验证淋巴结转移 (LNM) 的精确,非侵入性预测模型.
- 确定与NSCLC中LNM相关的关键风险因素.
主要方法:
- 利用监测,流行病学和最终结果 (SEER) 数据库从64,012名NSCLC患者的临床数据.
- 采用LASSO和多变量后勤回归来确定LNM风险因素.
- 开发了六个机器学习模型,包括一个通用线性模型 (GLM),并使用AUC评估性能;根据T阶段进行了子组分析.
主要成果:
- 确定了10个独立的LNM风险因素:年龄,性别,种族,组织学,主要部位,等级,T阶段,M阶段,瘤大小和骨转移.
- 在训练和验证队列中,GLM在六个机器学习模型中表现出卓越的表现.
- 在不同的T阶段子组中,GLM显示出良好的可预测性,并开发了一个基于Web的风险计算器.
结论:
- 一个基于GLM的预测模型准确地预测了NSCLC患者LNM的概率.
- 该模型的有效性通过基于T阶段的子组分析得到证实.
- 可访问的在线风险计算器可供临床使用.
