机器学习模型用于预测DIBH在左侧乳腺癌放射治疗中的不合格性:开发,验证和临床影响分析

科学领域:

• 在瘤学瘤学.
• 医学物理 医学物理
• 机器学习 机器学习

背景情况:

• 在左侧乳腺癌中对深呼吸呼吸 (DIBH) 辐射进行多天的评估是有效的,但在资源有限的环境中具有挑战性.
• 使用初始评估数据开发机器学习 (ML) 模型可以预测DIBH资格不合格,优化患者选择.

研究的目的:

• 开发和验证一个机器学习模型,仅使用第一天的DIBH评估数据来预测DIBH资格不合格.
• 评估模型的性能和临床实用性在一个潜在的队列.

主要方法:

• 一项前性队列研究,涉及202名患者,用于47名患者的模型开发和验证.
• 对9个ML算法的评估,选择基于决策曲线分析.
• 64名患者的临床影响评估,将模型预测与临床决策进行比较.

主要成果:

• 一个未校准的渐变增强组合模型实现了0.803的AUC,其中平均喘息时间和较低的喘息幅度作为关键预测因素.
• 该模型显示,在没有错误分类符合条件的患者的情况下,有可能将额外的DIBH评估减少多达20%.
• 决策曲线分析证实了该模型的净收益.

结论:

• 开发的ML模型使用单日评估数据准确预测DIBH资格不合格.
• 该模型可以作为DIBH放射治疗患者选择的决策辅助,特别是在资源有限的环境中.
• 建议进行外部验证,以确保可通用性.