基于机器学习的动态预测模型用于预后和治疗决策,用于患有胃癌肝转移的患者
Zhiqiang Wang1, Xingqing Jia2, Yukun Yang3
1Department of General Surgery, Shijiazhuang People's Hospital Shijiazhuang 050000, Hebei, China.
American journal of cancer research
|December 11, 2024
概括
机器学习模型预测了肝转移性胃癌 (GCLM) 的存活率. 极端梯度增强 (XGBoost) 模型显示了总生存率和癌症特异性生存率的最佳预测准确性.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 肝转移的胃癌 (GCLM) 由于其预后不佳而构成重大挑战.
- 确定可靠的预后因素对于有效的患者管理和治疗策略至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测GCLM患者的整体生存率 (OS) 和癌症特异性生存率 (CSS).
- 确定影响GCLM生存结果的关键预后风险因素.
主要方法:
- 利用来自SEER数据库 (2010-2017) 的1300名GCLM患者的数据进行模型开发和测试.
- 采用LASSO,单变Cox回归,BSR和逐步向后回归来识别风险因素.
- 构建并比较了五种机器学习模型:RSF,GBM,CPH,survivalSVM和XGBoost.
- 使用一致性指数 (c-index),AUC,布里尔得分和DCA评估模型性能,并进行外部验证.
主要成果:
- 确定了等级,组织学,T阶段,N阶段,手术和化疗作为OS和CSS的一致预后因素.
- 在XGBoost模型中,OS (AUC: 0.891,c指数: 0.752) 和CSS (AUC: 0.895,c指数: 0.746) 的预测性能优越.
- 外部验证证实了XGBoost模型在预测生存结果方面的可靠性和准确性.
结论:
- XGBoost模型提供了一个强大而准确的工具,用于预测GCLM患者的生存率.
- 该模型有可能帮助临床医生量身定制治疗计划,并改善GCLM患者的管理.
