使用呼出的挥发性有机化合物区分肺结节恶性病变:一项前性观察性研究.

科学领域:

• 肺部医学 肺部医学
• 生物标志物发现发现
• 医疗保健中的人工智能

背景情况:

• 肺结节的检测正在通过成像改善,但恶性瘤的评估通常需要侵入性方法或辐射.
• 需要更安全,非侵入性的替代方法来诊断肺结节.
• 呼出的挥发性有机化合物 (VOC) 显示出潜力,但它们在评估肺结节恶性瘤中的作用尚未得到充分研究.

研究的目的:

• 调查呼出的VOC和机器学习 (ML) 在评估肺结节恶性瘤中的有效性.
• 开发和评估肺结节恶性瘤的非侵入性预测模型.

主要方法:

• 一项前性研究招募了267名参与者,收集了呼气样本,生活方式数据和健康检查数据.
• 应用了五种ML算法来开发肺结节恶性瘤的预测模型.
• 模型使用AUC,灵敏度和特异性等指标进行评估,重点关注中度风险结节.

主要成果:

• 11个呼出的VOC,以及生活方式因素和结节直径,被确定为中等风险结节中恶性瘤的独立预测因素.
• 使用VOCs的随机森林模型获得了0.99的AUC,仅使用生活方式和临床数据 (AUC0.91) 的模型表现优于AUC.
• 校准曲线和决策曲线分析证实了模型的准确性和临床实用性,并为实际应用开发了名图.

结论:

• 将ML算法与排出的生物标志物和临床数据集成,为肺结节评估提供了一个强大的,非侵入性的框架.
• 这些模型提供了比传统方法更安全的替代方案,有可能改善早期检测和管理.
• 建议进行更大规模的多中心研究来验证和概括这些发现.