使用机器学习算法来构建在接受化疗的乳腺癌患者的症状负担集群风险模型

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 生物统计学 生物统计学

背景情况:

• 乳腺癌的化疗可以导致显著的症状负担,影响患者的生活质量.
• 识别患有严重症状集群的高风险患者对于及时干预至关重要.
• 预测建模为主动管理症状负担提供了一个有希望的方法.

研究的目的:

• 开发和比较机器学习模型,用于预测乳腺癌患者的高风险症状负担集群.
• 确定早期风险分层的最佳预测模型.
• 加强化疗管理中的临床决策.

主要方法:

• 分析了接受化疗的647名乳腺癌患者的数据.
• 开发和测试五种机器学习算法:人工神经网络 (ANN),决策树 (DT),支持矢量机 (SVM),随机森林 (RF) 和极端梯度增强 (XGBoost).
• 与传统的后勤回归进行比较,评估预测准确性,精度,区分能力,校准和临床效用.

主要成果:

• 与其他算法相比,随机森林 (RF) 模型显示出更高的准确性,精度和区分能力.
• 射频模型的关键性能指标包括接收机操作员曲线下的面积为0.91,灵敏度为65.8%,特异性为93.5%,正预测值为98.02%.
• 射频模型实现了0.91%的低虚假阳性率,表明其可靠性很高.

结论:

• 基于随机森林 (RF) 算法的模型在预测乳腺癌患者自我报告的症状负担集群方面非常有效.
• 该模型有助于早期识别有风险的患者,并允许采取主动的管理策略.
• 开发的模型为瘤学家和医疗保健提供者提供了一个有价值的工具,以改善化疗治疗结果.