开发和验证一种非侵入性预测模型,用于结瘤相关:对诺莫图和决策树进行比较分析

科学领域:

• 神经科学是一个神经科学.
• 在瘤学瘤学.
• 医疗成像医学成像
• 生物化学 生物化学

背景情况:

• 瘤相关 (GAE) 是瘤患者常见的并发症,可显著恶化预后并增加死亡风险.
• 准确和早期预测GAE对于及时干预和改善患者结果至关重要.

研究的目的:

• 在瘤患者中开发和验证结质瘤相关 (GAE) 的预测模型.
• 使用放射性和蛋白质性数据识别GAE的独立风险因素.
• 构建和评估基于机器学习的GAE警告识别预测模型.

主要方法:

• 从566名质瘤患者的MRI成像和尿液样本进行了回顾性分析.
• 利用最小绝对收缩和选择运营商 (LASSO) 和多变量后勤回归来识别风险因素.
• 开发了名图和决策树模型,使用ROC曲线,校准曲线和决策曲线分析 (DCA) 进行验证.

主要成果:

• GAE预测模型包含了五种放射性预测剂和三种尿差蛋白分子.
• 预测GAE的曲线下面积 (AUC) 在训练组中为0.897,在验证组中为0.874.
• 校准曲线显示了预测和实际GAE概率之间的高度一致性,决策树通过DCA显示出优越的临床实用性.

结论:

• 开发了一种新型机器学习模型,集成多组学数据,用于在质瘤患者中预测GAE.
• 这种模型有助于早期发现GAE,从而能够及时进行干预,以减轻病理损伤并改善患者的预后.
• 该模型提供了早期警告和可操作的见解,有可能降低死亡率并提高质瘤患者的生活质量.