使用机器学习估计胃神经内分泌瘤的预后:迈向精准医学的一步

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:

• 胃神经内分泌瘤 (g-NENs) 的生存率很低,手术后复发率很高.
• 现有的预后模型,如CoxPH,对g-NEN患者的预测结果的预测准确性有限.
• 机器学习 (ML) 为分析复杂的生物数据提供了先进的工具,以改善结果预测.

研究的目的:

• 评估随机生存森林 (RSF) 模型在预测术后g-NEN患者的疾病特异性生存率 (DSS) 中的有效性.
• 将RSF的预测性能与传统的Cox比例危险 (CoxPH) 模型进行比较.
• 在ML模型中探索淋巴结比率 (LNR) 对于风险分层的实用性.

主要方法:

• 使用随机生存森林 (RSF) 机器学习模型.
• 纳入淋巴结比率 (LNR) 作为一个关键的预测因素.
• 将患者分为两层,分为低风险和高风险组进行分析.
• 将RSF性能与Cox比例危险 (CoxPH) 模型进行比较.

主要成果:

• 与CoxPH模型相比,RSF模型对疾病特异性存活率 (DSS) 的预测能力更强.
• 包括淋巴结比率 (LNR) 提高了RSF模型的预测准确性.
• 在低风险和高风险组中实现了有效的风险分层.

结论:

• 随机生存森林 (RSF) 模型,结合LNR,是比传统的CoxPH模型更有效的工具来预测g-NEN患者的DSS.
• 这种方法代表了在g-NEN管理中实现个性化,精确医学的重大进步.
• 提高预后准确度可以指导更为定制的术后护理策略.