对临床相关疲劳的预测模型的开发:多种癌症的方法
Dhirendra Adiprakoso1, Dimitris Katsimpokis2, Simone Oerlemans2
1Department of Health Technology and Services Research (HTSR), Technical Medical Centre, University of Twente, Enschede, The Netherlands.
概括
这项研究开发了模型来预测癌症幸存者的临床相关疲劳 (CRF). 一个后勤回归模型显示出良好的区分能力,但敏感性低,表明未来疲劳的潜在诊断不足.
科学领域:
- 在瘤学瘤学.
- 支持性护理是一种支持性护理.
- 生物统计学 生物统计学
背景情况:
- 疲劳是影响癌症幸存者的生活质量的普遍症状.
- 预测长期疲劳对于及时进行支持性护理干预至关重要.
研究的目的:
- 在诊断后2-3年内开发和比较临床相关疲劳 (CRF) 的预测模型.
- 评估预测模型在不同癌症群体中的有效性.
主要方法:
- 包括患有非转移性膀,结直肠,子宫内膜,卵巢或前列腺癌的患者.
- 将后勤回归与机器学习 (ML) 模型 (XGBoost,SVM,ANN) 进行比较,使用临床,社会人口统计和患者报告的数据.
- 使用内部-外部交叉验证进行模型评估.
主要成果:
- 后勤回归证明了最高的性能 (C统计值0.77,平衡精度0.65).
- 所有模型都表现出预测CRF的低灵敏度 (0.22-0.37).
- 最好的模型在不同类型的癌症中显示出一致的性能 (C-统计 0.73-0.82).
结论:
- 模型显示了良好的区分,但平衡精度低,表明CRF的潜在低诊断.
- 后勤回归优于ML模型,并且在队列中强大.
- 预测CRF模型的临床适用性需要进一步研究.
