在甲状腺癌中预测淋巴结转移的预测模型的元分析
Feng Liu1, Fei Han1, Lifang Lu1
1Department of Head and Neck Surgery, Shanxi Provincial Cancer Hospital, Shanxi Hospital Cancer Hospital of Chinese Academy of Medical Sciences, Taiyuan, 031000, Shanxi Province, China.
World journal of surgical oncology
|October 23, 2024
概括
机器学习模型对预测乳头甲状腺癌中淋巴结转移有希望. 后勤回归名图为临床使用提供了令人满意的准确性.
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:
- 通过预测淋巴结转移 (LNM),可以改善乳头甲状腺癌 (PTC) 的管理.
- 现有的机器学习 (ML) 关于在PTC中进行手术前LNM预测的证据有限.
- 需要对ML在这个领域的疗效进行全面的评估.
研究的目的:
- 系统地审查和元分析ML技术的准确性,以预测PTC中手术前LNM的准确性.
- 评估不同ML模型在临床环境中的实际相关性.
主要方法:
- 在PubMed,Cochrane图书馆,Embase和Web of Science数据库中进行系统搜索,直到2022年12月3日.
- 使用预测模型偏差风险评估工具 (PROBAST) 来评估模型偏差.
- 包括107项研究,包括136,245名患者和134个基于ML的预测模型.
主要成果:
- 分析显示,在训练和验证集中,LNM预测的c指数从0.762到0.829不等.
- 物流回归 (LR) 是主要的ML模型,在81.34%的研究中使用.
- 中部LNM (CLNM) 和侧面LNM (LLNM) 的预测精度不同.
结论:
- ML方法在预测PTC患者手术前LNM方面表现出显著的准确性.
- 机器学习工具在提高PTC管理中的临床决策方面具有重大潜力.
- 在评估的ML模型中,基于后勤回归的诺姆图表表现令人满意.
