早期识别潜在的可逆性癌症缓解症使用可解释的机器学习驱动的体重动力学:一个多中心队列研究
Liangyu Yin1, Na Li2, Xin Lin2
1Department of Nephrology, Chongqing Key Laboratory of Prevention and Treatment of Kidney Disease, Chongqing Clinical Research Center of Kidney and Urology Diseases, Xinqiao Hospital, Army Medical University (Third Military Medical University), Chongqing, China.
The American journal of clinical nutrition
|January 9, 2025
概括
机器学习现在可以通过简单的体重变化来识别潜在的可逆性癌症缓解症 (PRCC). 这种模型有助于早期检测和改善管理,以获得更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 癌症缓解症与患者的不良结果有关,并带来临床挑战.
- 早期发现可逆性缓解症对于有效管理至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于识别潜在可逆性癌症缓解症 (PRCC).
主要方法:
- 一个多中心的队列研究,使用Fearon的框架,追溯诊断了缓冲症.
- 在患者入院体重动态上训练了ML模型,以预测PRCC.
- 最佳模型被评估为可解释性,临床有用性和外部验证.
主要成果:
- 在预测PRCC方面,ML模型取得了很高的性能 (测试组中的AUC为0.887,外部验证中的AUC为0.863).
- 基线前一个月的体重变化是最有影响力的预测因素.
- 在52.6%的患者中发现了潜在可逆性癌症 (PRCC),乳腺癌的发病率最高.
结论:
- 一个可解释的ML模型有效地使用可访问的体重动态识别PRCC.
- 这种方法有望改善癌症缓解症管理和患者的治疗结果.
