基于机器学习的预后模型用于大脑转移患者:血液测试分析的见解
Ruidan Li1, Zheran Liu1, Zhigong Wei1
1Department of Biotherapy, Cancer Center, West China Hospital, Sichuan University, Chengdu, Sichuan, China.
Journal of Cancer
|January 2, 2025
概括
将血液检测标记物整合到分级预后评估 (GPA) 模型中,显著改善了脑转移患者的预后预测. 这凸显了血液学参数在确定结果生物标志物的价值.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 临床研究 临床研究
背景情况:
- 大脑转移会影响30%的实体瘤患者,显著影响临床结果.
- 准确的预后模型对于大脑转移患者个性化治疗策略至关重要.
- 现有的预后工具可以从整合现有临床数据中获益.
研究的目的:
- 开发和验证脑转移患者的精确预后模型.
- 评估血液学参数在提高预后准确性的有用性.
- 为了比较不同的统计建模技术对生存预测的性能.
主要方法:
- 从1385名脑转移患者 (970名培训,415名验证) 收集了血液学参数.
- 构建了四种模型:单变Cox回归,阶段回归,LASSO回归和随机生存森林 (RSF).
- 性能最好的模型 (基于RSF的Model-HP) 与分级预测评估 (GPA) 合并,形成了Model-GPAH. 模型性能使用AUC,IDI和cnri进行评估.
主要成果:
- 模型HP (基于RSF) 与单变Cox,步骤和LASSO回归模型 (AUC分别为0.71和0.65,0.63,0.64) 相比显示出更高的性能.
- 与单独的模型-HP和GPA相比,模型-GPAH显著改善了预后预测 (AUC分别为0.70和0.67和0.61).
- 模型-GPAH在接受不同治疗方式的患者中显示出一致的性能.
结论:
- 将血液学参数集成到GPA模型中,可以大大提高脑转移患者的预后预测.
- 血液检测是生物标志物的宝贵来源,用于预测瘤学的结果.
- 开发的模型-GPAH为个性化患者管理提供了更精确,更具临床可行性的工具.
