提高神经元特异性酶在小细胞肺癌的查能力

科学领域:

• 发现生物标志物的发现.
• 在瘤学瘤学.
• 机器学习在医疗保健中的应用.

背景情况:

• 神经元特异性酶 (NSE) 是用于小细胞肺癌 (SCLC) 查的常见生物标志物.
• 由于各种影响因素,NSE的特异性受到限制,导致SCLC检测中的潜在不准确性.

研究的目的:

• 开发一个纠正的NSE (NSE_corrected) 生物标志物及其参考范围,以提高SCLC查准确度.
• 与传统的NSE水平相比,评估NSE_corrected在提高特异性和减少假阳性的有效性.

主要方法:

• 在大型训练组 (48,009名健康人群) 上利用剩余校正和机器学习.
• 纳入代谢因素和吸烟史来调整NSE值,并建立一个新的参考范围.
• 使用外部数据集验证了NSE_校正的疗效,其中包括64,553名健康患者和105名SCLC患者.

主要成果:

• 在外部验证中,NSE_corrected显著提高了特异性,从85.71%提高到97.09% (P < 0.0001).
• 虚假阳性率从14.26%大幅降低至2.91% (P < 0.0001),NSE_被纠正.
• 包括ROC曲线在内的性能评估证实了NSE_corrected的优越选能力.

结论:

• NSE_corrected为SCLC查提供了更好的特异性和更少的错误阳性.
• 基于R的在线应用程序的开发有助于方便地应用NSE.
• NSE_corrected适用于大规模人口查,优化肺癌资源配置.