使用机器学习方法预测患有肝转移的食道癌患者早期死亡率
Yongxin Sheng1, Liyuan Zhang1, Zuhai Hu1
1School of Public Health, Chongqing Medical University, Chongqing 400016, China.
Life (Basel, Switzerland)
|November 27, 2024
概括
机器学习模型可以预测患有肝转移的食道癌患者的早期死亡. XGBoost和SVM在识别高风险个体,以便做出更好的临床决策方面表现有前途.
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:
- 带有肝转移的食道癌带有早期死亡的高风险.
- 目前这些患者早期死亡率的预测工具有限.
- 准确的预测对于及时的临床决策和患者管理至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测食道癌和肝转移患者的早期死亡率.
- 在这个患者队列中确定与早期死亡相关的关键预后因素.
- 为了比较各种机器学习算法的性能,预测早期死亡率.
主要方法:
- 从SEER数据库中利用了1897名患有食道癌肝转移 (2010-2020) 的临床病理学数据.
- 使用单变量和多变量逻辑回归来确定预后因素.
- 开发和评估了七个机器学习模型,包括极端梯度增强 (XGBoost) 和支持向量机 (SVM),使用ROC曲线,校准曲线,DCA和F1分数.
主要成果:
- 40%的患者经历了全因早期死亡,38%的患者经历了癌症特异性早期死亡.
- 早期死亡的重要预测因素包括年龄,瘤位置,化疗和肺转移.
- XGBoost在预测所有原因的早期死亡率方面表现出卓越的表现,而SVM在癌症特定的早期死亡率方面是最佳的.
结论:
- 机器学习模型,特别是XGBoost和SVM,是预测食道癌肝转移患者早期死亡率的有效工具.
- 这些模型可以帮助临床医生识别高风险患者,从而改善临床决策和患者的治疗结果.
- 进一步验证和将这些预测工具纳入临床实践是有必要的.
