使用机器学习来识别胰腺癌的风险因素:对现实世界的数据进行了回顾性队列研究
Na Su1,2,3, Rui Tang4, Yice Zhang1
1West China School of Pharmacy, Sichuan University, Chengdu, China.
Frontiers in pharmacology
|December 6, 2024
概括
机器学习确定了胰腺癌的关键风险因素,包括KRAS基因突变,高脂血症和胰腺炎. 这些因素,特别是结合起来,显著增加了胰腺癌的风险,为预防策略提供了信息.
科学领域:
- 在瘤学瘤学.
- 遗传学 遗传学是一种遗传学.
- 数据科学数据科学数据科学
背景情况:
- 胰腺癌是癌症相关死亡的主要原因之一.
- 确定可修改的风险因素对于有效的预防和早期检测策略至关重要.
研究的目的:
- 用先进的机器学习技术识别和验证胰腺癌的风险因素.
- 研究已识别的风险因素对胰腺癌发展的综合影响.
主要方法:
- 这是一项对1982名患者的回顾性队列研究.
- 多变量后勤回归和极端梯度增强 (XGBoost) 机器学习模型.
- 风险因素可视化中的沙普利增量解释 (SHAPs).
主要成果:
- 基尔斯顿大鼠的瘤基因同类基因突变 (KRAS),高脂血症和胰腺炎是显著的危险因素.
- XGBoost模型强调了KRAS突变,年龄,酒精消费,胰腺炎和超脂血症作为最重要的预测因素.
- 结合KRAS突变与胰腺炎或胰腺囊进一步增加风险.
结论:
- 机器学习证实了KRAS突变,超脂血症和胰腺炎是胰腺癌的关键风险因素.
- 某些因素的同时发生会增加胰腺癌的风险.
- 研究结果支持针对性公共卫生干预措施,以预防胰腺癌和早期诊断.
